我认为说结果“非常重要”并没有太大的错误（尽管是的，这有点草率）。

这意味着如果您设置了一个小得多的显着性水平，您仍然会判断结果是显着的。值要小得多，那么他们仍然可以判断您的结果是显着的。$\alpha$$\alpha$

请注意，显着性水平在旁观者的眼中，而值（有一些警告）是数据的一个属性。$\alpha$$p$

观察与观察不同，即使两者都可能被您所在领域的标准约定称为“重要”（）。微小值意味着反对零的更有力的证据（对于那些喜欢费舍尔假设检验框架的人）；这意味着效应大小周围的置信区间将排除具有较大边际的空值（对于那些更喜欢 CI 而不是值的人）；这意味着空值的后验概率会更小（对于有一些先验的贝叶斯）；这都是等价的，只是意味着调查结果更有说服力。请参阅较小的 p 值是否更有说服力？$p=10^{-10}$$p=0.04$$\alpha=0.05$$p$$p$进行更多讨论。

“非常重要”一词并不精确，也不必如此。这是一个主观的专家判断，类似于观察到一个惊人的大效应大小并称其为“巨大”（或者可能只是“非常大”）。即使在科学写作中，对数据使用定性的、主观的描述也没有错；当然，前提是还提供了客观的定量分析。

另请参阅上面的一些优秀评论，为@whuber、@Glen_b 和@COOLSerdash +1。

这是一个常见的问题。

一个类似的问题可能是“为什么 p<=0.05 被认为是显着的？” ( http://www.jerrydallal.com/LHSP/p05.htm )

@Michael-Mayer 给出了答案的一部分：重要性只是答案的一部分。有了足够的数据，通常一些参数会显示为“显着”（查看 Bonferroni 校正）。多重测试是遗传学中的一个特定问题，其中寻找显着性的大型研究很常见，并且通常需要p 值 <10 ^{-8 (} http://www.ncbi.nlm.nih.gov/pmc/articles/PMC2621212/ )。

此外，许多分析的一个问题是它们是机会主义的，而不是预先计划的（即“如果你对数据进行了足够的折磨，大自然总会承认的。”——罗纳德科斯）。

通常，如果分析是预先计划好的（对统计功效进行重复分析校正），则可以认为它是显着的。通常，由多个个人或团体重复测试是确认某事有效（或无效）的最佳方式。结果的重复通常是对重要性的正确测试。

测试是一种黑白决定的工具，即它试图回答一个是/否的问题，例如“是否有真正的治疗效果？”。通常，尤其是在数据集很大的情况下，这样的问题是相当浪费资源的。如果有可能得到一个定量问题的答案，例如“真正的治疗效果有多大？”，为什么还要问一个二元问题？这也含蓄地回答了是/否的问题？因此，我们通常建议使用包含更多信息的置信区间，而不是高度确定地回答无信息的是/否问题。