这是一个很好的问题; 答案很大程度上取决于上下文。

总的来说，我会说你是对的：做出像“A 组比 B 组更频繁地使用 X”这样的不合格的一般性声明是具有误导性的。最好说类似的东西

在我们的实验中，A 组比 B 组更频繁地使用 X，但我们非常不确定这将如何在普通人群中发挥作用

或者

尽管在我们的实验中，A 组使用 X 的频率比 B 组高 13%，但我们对一般人群差异的估计尚不清楚：合理的值范围从 A 使用 X的频率比 B 组少5% 到 A 使用 X 21%比B组更频繁

或者

A 组比 B 组多使用 X 13%，但差异无统计学意义（95% CI -5% 至 21%；p=0.75）

另一方面：你的同事是对的，在这个特定的实验中，A 组比 B 组更频繁地使用 X。然而，人们很少关心特定实验的参与者；他们想知道你的结果将如何推广到更大的人群，在这种情况下，一般的答案是你不能自信地说随机选择的组 A 是否会比随机选择的组 B 更多或更少地使用 X。

如果您今天需要选择是使用治疗 A 还是治疗 B 来增加 X 的使用，在没有任何其他信息或成本差异等情况下，那么选择 A 将是您的最佳选择。但是，如果您想对自己可能做出正确的选择感到满意，那么您将需要更多信息。

请注意，您不应说“A 组和 B 组在 X 的使用上没有区别”，或“A 组和 B 组使用 X 的数量相同”。在您的实验中（A 使用 X 多 13%）或普通人群中的参与者都不是这样；在大多数现实世界的上下文中，您知道 A 与 B 之间肯定存在某种影响（无论多么轻微）；你只是不知道它往哪个方向走。

这是一个棘手的问题！

首先，您可以选择确定统计显着性的任何阈值都是任意的。大多数人使用的事实$5\%$ $p$-value 并没有使它比任何其他更正确。因此，在某种意义上，您应该将统计显着性视为“光谱”，而不是非黑即白的主题。

假设我们有一个零假设$H_0$（例如，组$A$和$B$显示变量的相同平均值$X$，或变量的总体均值$Y$低于 5)。您可以将零假设视为“无趋势”假设。我们收集一些数据来检查我们是否可以反驳 $H_0$（原假设永远不会“被证明为真”）。使用我们的样本，我们进行一些统计，最终得到一个$p$-值。简而言之，$p$-value 是纯机会产生的结果与我们得到的结果相同（或更多）极端的概率，当然假设$H_0$是真的（即没有趋势）。

如果我们得到一个“低”$p$-值，我们说机会很少会产生结果，因此我们拒绝$H_0$（有统计学意义的证据表明$H_0$可能是假的）。如果我们得到一个“高”$p$-value，那么结果更有可能是运气的结果，而不是实际趋势。我们不说$H_0$是真的，但更确切地说，应该进一步研究以拒绝它。

警告：一个$p$-的价值$23\%$并不意味着有$23\%$没有任何趋势的可能性，而是这种可能性产生的结果是那些$23\%$的时间，这听起来很相似，但却是完全不同的事情。例如，如果我声称一些荒谬的事情，例如“我可以在掷骰子发生前一小时预测结果”，我们会做一个实验来检查原假设$H_0:=$“我不能做这样的事情”并得到一个$0.5\%$ $p-$值，尽管具有统计意义，但您仍然有充分的理由不相信我。

因此，考虑到这些想法，让我们回到您的主要问题。假设我们要检查是否增加药物剂量$X$对患者在某种疾病中存活的可能性有影响。我们进行实验，拟合逻辑回归模型（考虑许多其他变量）并检查与“剂量”变量相关的系数的显着性（称为该系数$\beta$，我们将检验零假设$H_0:$ $\beta=0$或许，$\beta \leq 0$. 在英语中，“药物没有作用”或“药物没有作用或有负面作用”。

实验结果抛出一个正的 beta，但测试$\beta=0$保持在 0.79。我们能说有趋势吗？好吧，那真的会削弱“趋势”的含义。如果我们接受这种事情，基本上我们所做的所有实验中有一半会显示“趋势”，即使是在测试最荒谬的事情时也是如此。

所以，总而言之，我认为声称我们的药物有任何作用是不诚实的。相反，我们应该说的是，除非进行进一步的测试，否则我们的药物不应该投入生产。事实上，我想说的是，即使达到了统计显着性，我们仍然应该谨慎对待我们提出的主张。如果有机会，你会服用那种药吗？$4\%$产生这些结果？这就是为什么研究复制和同行评审至关重要。

我希望这个过于冗长的解释可以帮助你整理你的想法。总结就是你是绝对正确的！我们不应该在报告中填写没有证据支持的疯狂主张，无论是用于研究、商业还是其他用途。如果你真的认为有趋势，但没有达到统计显着性，那就用更多的数据重复实验！

显着效果仅意味着您测量了不太可能的异常（如果零假设（没有效果）为真，则不太可能）。因此，它必须以很高的概率被怀疑（尽管这个概率不等于 p 值并且还取决于先前的信念）。

根据实验的质量，您可以测量相同的效应大小，但这可能不是异常（如果原假设为真，则不是不太可能的结果）。

当您观察到一个效果但它并不显着时，它（效果）确实仍然存在，但它只是不显着（测量结果并不表明应该以高概率怀疑/拒绝原假设）。这意味着你应该改进你的实验，收集更多的数据，更加确定。

因此，您应该选择以下四个类别，而不是二分法效应与无效应：

来自https://en.wikipedia.org/wiki/Equivalence_test的图片解释了两个单侧 t 检验程序 (TOST)

您似乎属于 D 类，测试尚无定论。你的同事说有效果可能是错误的。但是，说没有效果同样是错误的！

听起来他们在争论 p 值与“趋势”的定义。

如果您将数据绘制在运行图上，您可能会看到一个趋势……一系列显示随时间上升或下降的趋势的绘图点。

但是，当您对其进行统计时.. p 值表明它并不重要。

为了使 p 值显示出很小的意义，但让他们看到一系列数据中的趋势/运行……这将是一个非常轻微的趋势。

所以，如果是这样的话，我会求助于 p 值。IE：好的，是的，数据中有一个趋势/运行。但它是如此轻微和微不足道，以至于统计数据表明它不值得进一步追求分析。

微不足道的趋势可能是由于研究中的某种偏见造成的……也许是非常轻微的……可能只是实验中发生的一次事件，碰巧产生了轻微的趋势。

如果我是团队的经理，我会告诉他们不要再浪费时间和金钱去挖掘微不足道的趋势，而要寻找更重要的趋势。