标准计算机上的 P 值（使用 IEEE 双精度浮点数）可以低至大约。当效应量很大和/或标准误差很低时，这些可以是合法正确的计算。如果使用 T 或正态分布计算您的值，则对应于大约 31 个标准误的效应大小。的倒数平方根成比例，这反映了小于 0.09 标准差的差异（假设所有样本都是独立的）。在大多数应用程序中，这种差异不会有任何可疑或不寻常的地方。$10^{-303}$$n$

解释这样的 p 值是另一回事。考虑到现实可能会偏离支持该 p- 的概率模型的所有方式，将小至甚至的数字视为概率是超出了理性范围的。价值计算。一个不错的选择是将 p 值报告为小于您认为模型可以合理支持的最小阈值：通常在和之间。$10^{-207}$$10^{-10}$$0.01$$0.0001$

没有什么可疑的——当样本量很大时，像你这样的极低 p 值很常见（因为你的 p 值用于比较中位数）。正如 whuber 所提到的，通常这些 p 值报告为小于某个阈值（例如 <0.001）。

需要注意的一件事是 p 值仅告诉您中位数的差异是否具有统计显着性。差异是否足够显着是您必须决定的事情：例如，对于大样本集，均值/中位数的极小差异可能具有统计显着性，但可能意义不大。

p 值可以达到 0 的值。

假设我正在检验关于统一 0 范围值的复合假设，$\theta$随机变量。如果我设置$\mathcal{H}_0: \theta = 1$并采样一个值$X=1.1$，您会发现在原假设下不可能观察到这样的值或更高的值。p 值为 0。