核心要点
正确定义 p 值在 H0 下观测到至少同样极端结果的概率
知道 p<α 拒绝 H0 的含义
清楚 p 值不能说明的（H0 为真概率、效应大小）
简要回答
p 值是在 H0 为真时，观察到当前或更极端数据的概率；p<α 时称结果「统计显著」，但不等于效应重要或 H0 为假的概率。
标准回答
一、先给出结论和背景
- 定义：在 H₀ 成立的假设下，检验统计量达到观测值或更极端的概率。
- 决策规则：若
p < α（常 0.05），拒绝 H₀，称结果统计显著。
二、拆开关键步骤和判断点
- 正确理解：- p 值小 → 数据与 H₀ 不一致（在 H₀ 下罕见）
- 不是 P(H₀ 真 | 数据)——那是贝叶斯后验，需先验
- p 值不能告诉你：1. 效应大小（需置信区间、Cohen's d）
- 结果可重复性
- 因果关系
- H₀ 为真的概率
三、补上落地边界和取舍
面试里如果出现公式，建议先说 p 值 解决的直觉问题，再解释变量含义和适用条件。最后补一个反例或边界，比如样本量不足、分布假设不成立、数值不稳定时应该怎么处理。
回答思路
【定义】用一句话说清「什么是 p 值？它如何反映统计显著性」
【原理】讲清关键机制或步骤（2～3 点）
【例子】举一个真实项目、论文或产品中的例子
【对比】与易混淆概念或替代方案比较（如有）
【收尾】总结适用场景 + 一个局限或风险
常见误区
⚠️ 常见踩坑
误区一：容易答偏的地方：把 p 值说成「H0 为真的概率」；忽略效应量与样本量；仅报告 p 不报告 CI。
追问
追问 1：p-value 和置信区间有什么关系？
双侧检验：若 95% CI 不含 H₀ 下的参数值，等价于 p<0.05 拒绝 H₀。CI 还给出效应范围，信息更丰富。
追问 2：多重比较时 p 值如何处理？
多次检验增大族错误率（FWER）。Bonferroni 用 α/m；FDR 控制用 Benjamini-Hochberg。A/B 多指标、多切片需预注册或校正。
追问 3：贝叶斯方法和 p 值有何不同？
贝叶斯报告后验概率 P(H₀|data) 或 Bayes Factor，显式纳入先验。频率派 p 值不回答「H₀ 多可能为真」，二者哲学不同。
🔗 相似问题
同一考点的不同问法，换着练更稳
延伸学习
按主题分类的相关资源，便于系统复习