科学研究依赖于对结果的仔细观察和对原因的分析。是两个因素真的相关，还是它们之间的表面关系只是偶然？多年来，研究人员一直依靠计算 p 值来帮助确定是否应该相信研究结果。更具体地说，P 值小于 0.05 通常被认为是统计意义的临界值，尽管其历史并不令人信服。这一惯例对学术界有利吗？
从某种程度上讲，选择 0.05 的临界值仍然相当于 二十 分之一的概率认为零假设为真（例如，两个因素之间没有真正的相关性）。但即使是这种不确定性，也是假定基于该临界值得出的结论是准确的。发表在PNAS上的一项研究对许多已发表结果的 p<0.05 临界值的实用性提出了质疑。该研究的作者、得克萨斯农工大学的Valen Johnson使用了一些新的统计方法来检验 p<0.05 是一个有用的临界值这一观点。Johnson采用一种新的贝叶斯检验方式，根据结果，他认为多达25%的已发表结果可能是不真实的。也就是说，在P<0.05时达到显著性的研究只相当于贝叶斯系数3到5，这被认为是支持一个结论的相当弱的证据。
考虑到重复实验相关的更大问题，p<0.05 这一惯例是否应对此负责？当然，使用不恰当的统计方法、研究人员的失误，甚至欺诈都是造成这一问题的原因。尽管如此，Johnson还是建议将P值小于0.005作为目标，这将大大减少可重复性方面的问题，他说："很少有重复失败的研究是基于0.005或更小的P值"。另一个解决方案是放弃研究论文中最常用的频数检验，转而使用贝叶斯分析方法。
你在工作中是如何使用 P 值的？你认为研究人员是否愿意将标准临界值降至 0.005，以增加对研究结果的信心？由于已发表论文的数量已经高得惊人，因此确保他们所展示的结果可信至关重要。AJE希望听到你的意见。
