扩展@EpiGrad 的答案（这是一个很好的答案）：

1. 完全忽略 p 值的原因有很多：主要是，它们回答了我们很少感兴趣的问题。

2. 如果您要使用 p 值，将它们用作截止值通常没有什么意义。

3. 如果要将它们用作截止值，则应在分析之前确定截止值

4. 对 I 类错误进行更严格的截止意味着更低的功率（更多的 II 类错误）。I 型的典型值为 0.05，II 型的典型值为 0.20（功率 = .8）。但是没有理由说 II 类错误一定比 I 类错误更糟糕。假设您开发了一种药物，可以治疗一种晚期疾病，而且速度很快（例如埃博拉病毒）。你测试一下。

   第一类错误——你说药物有作用，但实际上没有作用，然后给垂死的人服用无用的药物。

   II 型错误——你说药物在起作用时什么也没起作用，而你没有给垂死的人提供有益的药物。

   哪个更糟？II型，我的书。

引用大卫考克斯教授的话

没有常规的统计问题，只有有问题的统计程序

只是如果你没有得到显着的结果？不。在进行实验并且结果已知之后摆弄显着性水平绝不是好的做法。

在某些情况下，您可能会选择更宽松的 p 值，但事后这样做是个坏主意。

一方面，因为它的 p 值高于 0.01（这是一个异常严格的标准），所以对变量进行折扣有点人为。你如何到达那里可能比最终的显着性水平更重要。一个基于逻辑或因果关系的变量具有可接受的 p 值可能比具有较低 p 值但没有有意义的逻辑支持的变量更有意义。

如果您正在处理假设检验，请注意统计显着性在很大程度上只是样本量的函数。大样本量将转化为低标准误差和更高的统计显着性。而且，这个过程有些人为，因为大样本会使非实质性差异在统计上显着。如果您在这样的领域内进行交易，我建议您转向效应大小方法，其中统计距离的单位不是标准误差，而是标准偏差。而且，后者不能被样本量所操纵。

我发现自己问了同样的问题，并来到这里寻找好的论据，我不得不说我不相信。让我解释一下为什么我认为在实验后改变显着性水平是可以的。

1. 无论您使用选择的显着性水平a计算什么，无论您在实验之前还是之后选择它，都将具有相同的值。换句话说，给定一些结果，不可能推断出 a 的选择是在之前还是之后完成的。

2. 仅当您不清楚自己在做什么时，道德才成为一个问题。如果你说你测量了一个显着的效果而没有具体说明你的意思，那可能会产生误导。但是，这无关紧要，如果您按照应有的方式说明您选择了什么。如果您的数据可用，那就更好了，因为任何感兴趣的人都可以轻松地复制您的计算。

3. 如果有人决定使用您的结果，他们将有自己的标准来判断他们愿意接受的 I 型和 II 型错误的严重程度。如果您使用更高的 a获得显着结果，它仍然是有用的信息。由谁使用您的信息来决定选择的 a是否足够低。

为了说明最后一个论点，我将借鉴@dilip-sarwate 的轶事。假设一个农民之前确实在他的谷仓一侧画了目标并试图向他们开枪。然后他看到子弹落在目标之外，但只是一点点。如果他事后决定增加目标的半径，可以称之为作弊，但我认为这仍然是有效的信息：也就是说，他并不像他预期的那样准确，但他仍然有点准确和甚至可以说多少。然后你用一个更具体的结果替换一个无用的结果，“农民不擅长用枪”，更具体的结果是“农民精确到 5 厘米以内”。