文章一开始，我们一起来看一个临床试验中常见的设计。

我们想知道一种新药A能否改变患者的住院天数。在没有确切信息的时候，我们的假设是不能，也就是使用A和不使用A的两组的平均住院天数相同。换句话说，使用A对于患者住院天数没有影响。我们设计了一个随机对照试验(RCT)，把200名患者1：1随机分入A组(使用新药)和B组(使用安慰剂)，每组100人。

试验结果中，A组患者平均住院天数为25.1天，B组为27.6天。进行双样本t检验后，得到了p值为0.015。

那么，单看这个p值，下列理解哪些是正确的呢？

A. 有1.5%的概率，使用A对于患者住院天数没有影响；

B. p = 0.015 意味着两组平均住院天数有很大不同（即效应值很大）；

C. p = 0.015 意味着使用A和患者住院天数的关联度很高；

D. 若 p > 0.05，则意味着没有治疗效果。

-------------------------------------------

实际上，这4个选项都是错的！让我们一个个来解释。

A 选项

一句话解释：p值只是假设和数据的关系

首先，我们来明确一下p值的定义。

美国统计学会(American Statistical Association, ASA)明确告诉我们：

P-values do not measure the probability that the studied hypothesis is true, or the probability that the data were produced by random chance alone.

( p值不是“我们研究的假设是真的”的概率，也不是“数据仅仅由随机因素产生的”的概率)