高于 0.05 的 p 值不一定表示“您的相关性毫无意义”。

但是，当总体相关性为零时，您看到样本相关性至少远离零的可能性超过 5%。

松散地说，这意味着您无法自信地将样本从中提取的总体相关性与零相关性区分开来（假设您确实打算将显着性水平设置为 5%）

这取决于你想要做什么。我经常估计我根本不关心“p”值的模型，因为我相信我的模型。模型的最佳估计是估计，而不是估计可能或可能不会显着不同的值。

另一方面，如果目的是测试二元假设而不是拟合模型，那么您的结果仍然可能或不是“毫无意义”。以下是我经历过的场景的非全面列表：

1. 教科书解释：将您的“p”值作为“真实”p 值，然后您可以将您的结果解释为在 5% 的水平上“无意义”，但在 10% 的水平上显着。
2. 您的“p”值可能不准确。它是使用一组假设创建的，这些假设可能会或可能不会在您的测试中得到满足。您的实际“p”值可能会有所不同，具体取决于是否满足假设。
3. 您的整个模型可能被错误地指定并且任何“p”值（无论是否“显着”）都是没有意义的，因为您的模型实际上并不近似数据生成过程。

最后一点：没有数据是没有意义的。但是，我将您对“无意义”一词的使用解释为“不重要”。

p 值是对数据提供的反对原假设的证据的度量：p 值越小，反对原假设的证据越强。通常，研究人员使用以下证据量表：

• p(X) < 0.01 非常有力的证据，
• p(X) ∈ (0.01, 0.05) 强有力的证据，
• p(X) ∈ (0.05, 0.1) 弱证据，
• p(X) > 0.1 很少或没有证据。

使用这个“分类”作为基准，我不会称你的结果“毫无意义”，因为有一些证据反对空值。我会尝试收集更多数据并将其纳入分析。

您可以使用“在 0.06 显着性水平下边际显着”之类的表达式。0.05 是流行但不是绝对的。