您应该如何“使用” p 值取决于您如何设计与您将运行的分析相关的研究。我在这里的回答中讨论了关于 p 值的两种不同哲学：何时使用 Fisher 和 Neyman-Pearson 框架？ 你可能会发现阅读它很有帮助。例如，如果您进行了功效分析并打算使用 p 值做出最终决定，则不应将接近线（“边际显着”）用作有意义的类别。使用与0.05不同的 alpha $0.05$（例如$0.10$）是可以的，但是一旦你决定使用它并相应地设置你的研究，你应该坚持下去。

此外，您不能使用较大的 p 值作为原假设的证据。我在这里的回答中讨论了这个想法：为什么统计学家说一个不显着的结果意味着“你不能拒绝零”而不是接受零假设？ 阅读该答案也可能对您有所帮助。

在我看来，一切都归结为假设，即模型与它们的拟合程度。如果它确实同意所有这些，则将 p 值视为概率。然后，您可以通过得出两者中哪一个更有可能来比较 0.06 和 0.99 的 p 值。此外，很大程度上取决于情况：在某些情况下，不应忽略边际重要性，因为正如您所说，拒绝区域可以随意设置。但是，如果模型满足假设，那么你不应该试图在某个任意水平上拒绝你的假设，而是调查你得到的结果的可能性有多大。

确实，假设检验的 p 值的接受范围是相当随意的，但是较低的 p 值意味着可以更确定地接受测试结果，因为 p 值本质上定义了置信区间估计，因此更窄的置信区间应该被认为对测试更重要。