这里有两个问题：

1）如果您正在进行正式的假设检验（并且如果您要在我的书中引用 p 值，那么您已经是），正式的拒绝规则是什么？

将测试统计数据与临界值进行比较时，临界值在拒绝区域内。虽然当一切都是连续的时，这种形式并不重要，但当检验统计量的分布是离散的时，它却很重要。

相应地，在比较 p 值和显着性水平时，规则是：

          拒绝如果$p\leq\alpha$

请注意，即使您将 p 值四舍五入到 0.05，实际上即使$p$值正好是 0.05，正式来说，你仍然应该拒绝。

2）就“我们的 p 值告诉我们什么”而言，然后假设您甚至可以将 p 值解释为“反对零的证据”（假设对此的看法有些分歧），0.0499 和 0.0501 不是真的对数据说了不同的话（效果大小往往几乎相同）。

我的建议是（1）正式拒绝空值，也许指出即使它恰好是 0.05，它仍然应该被拒绝；(2) 注意没有什么特别的$\alpha = 0.05$它非常接近那个边界——即使是稍微小的重要性阈值也不会导致拒绝。

它存在于旁观者的眼中。

形式上，如果您的问题有严格的决策规则，请遵循它。这表示$\alpha$给出。但是，我不知道在这种情况下有任何问题（尽管设置$\alpha=0.05$是许多从业者在 Statistics101 之后所做的）。

所以这真的归结为 AlefSin 之前评论的内容。您的问题不可能有“正确答案”。报告你得到了什么，无论是否四舍五入。

有大量关于“意义的意义”的文献；例如，参见德国一位著名统计学家 Walter Krämer 最近发表的关于“统计意义的崇拜 - 经济学家应该和不应该做什么来让他们的数据说话”的论文，Schmollers Jahrbuch 131 , 455-468, 2011。

答案绝对不是。没有“在旁观者的眼中”，没有争论，答案是否定的，你的数据在当时并不重要$p=0.05$水平。（好吧，有一条出路，但它是一条非常狭窄的路径。）

关键问题是这句话：“我们遇到了一些数据……”。

这表明您查看了其他几个统计假设，并拒绝了它们，因为它们没有达到您的显着性水平。您发现了一个（几乎）符合您的标准的假设，并且您想知道它是否重要。除非你的$p$值占了这样的多重假设检验，它过于乐观。鉴于您距离阈值仅小数点后三位，考虑到即使是一个额外的假设也肯定会推动$p$越线。

这种统计上的渎职行为有一个名字：数据挖掘。我对在论文中将其作为一个有趣的假设进行报道感到矛盾。你期望它持有它有什么物理原因吗？

然而，有一条出路。也许您事先决定仅对这一数据集执行这一测试。你把它写在你的实验笔记本上，当着别人的面，这样你以后可以证明它。然后你做了你的测试。

如果你这样做了，那么你的结果在$p=0.05$水平，你可以支持像我这样的怀疑论者。否则，对不起，这不是一个具有统计意义的结果。