一、如何深入理解p值的含义
首先，我们来看一下p值的定义：在原假设H0成立的条件下，发生与样本结果相同或更极端结果的概率。那么，什么叫与样本结果相同或更极端结果呢？我们以抛硬币这个例子来说明。
我们想通过假设检验的方法验证一枚硬币是否均匀，那么原假设H0为：正面朝上的概率为0.5（硬币是均匀的）；备择假设H1为：正面朝上的概率不等于0.5（硬币是不均匀的）。现在随机抛该硬币5次，发现有4次正面朝上，那么在显著性水平为0.05的条件下，是否应该拒绝原假设呢？
首先需要考虑一个问题，这里的p值应该如何计算？按照定义，如果原价假设成立，即硬币是均匀的，出现4次正面朝上的概率为 0.15625，更极端情况下出现5次正面朝上的概率为0.03125 。此外，我们还应该考虑出现4次及以上反面朝上的概率，因为这也是背离原假设且比样本结果更极端的概率，这个概率为0.15625+0.03125=0.1875。因此，p值为上面所有情况的和0.375，因此，我们不能拒绝原假设，不能认为硬币是不均匀的。
从这里可以看出，这里的更极端结果，是指与样本结果相比，更加背离原假设的情况。因此，p值其实反映了样本在多大程度上或多大概率上背离原假设，如果p值越小，表明样本发生的概率越小，即更加背离原假设，当背离原假设到一定程度时（小于显著性水平），我们就会拒绝原假设。
二、对p值的错误理解
-
1、p值不代表原假设为真的概率
p值不反应原假设为真的概率，只是反映样本与原假设相悖的程度。原假设为真的概率，从某种程度上来说是固定的。在抛硬币的这个例子中，我们可以基于5次抛硬币的结果，利用贝叶斯公式来估计硬币均匀的概率，将"抛5次硬币，4次正面朝上"定义为事件A, "硬币是均匀的"定义为事件B1，"硬币是不均匀的"定义为事件B2，则条件概率为：
这里，原假设为真的概率为P（B1），是贝叶斯公式里的先验概率。因此，p值的大小并不代表原假设到底有多真或多假。
-
2、p值不能代表效应（差异）大小
在抛硬币这个例子中，如果p值显著，只能说明硬币是不均匀的，但是究竟有多不均匀，只通过p值大小无法确定。不能说p值越小，硬币就越不均匀。样本量是影响p值的一个因素，实际效应值较小，大样本情况下可能p值较小，得到显著的结果；实际效应值较大，样本数量不足情况下可能p值较大，无法得到显著结果。
三、影响p值的因素
- 总体分布的形态，确切的说是总体的方差。总体方差越大，p值越大，倾向于接受原假设。
- 样本的数量。样本数量增加，p值越小，倾向于拒绝原假设。
- 样本与总体的差异。差异越大，p值越小，倾向于拒绝原假设。
