在醫學研究中，統計學檢驗是驗證研究目的的重要手段。
0.05是常用的顯著性水平。P<0.05，是「萬眾期待」的結果。在差別性分析中，這通常說明我們達成了驗證目標。
那麼，p值未低於顯著性水平的檢驗結果，又告訴我們什麼呢？
這需要從檢驗假設說起：
以t檢驗為例。在驗證兩組正態分布數據的平均水平不同時（例如男性和女性身高是否存在差異），就會採用如下假設：
假設檢驗是在假定原假設成立的角度完成的，當P<0.05（差異有統計學意義）時，我們就認為原假設成立的可能性很小，於是拒絕原假設，接受備擇假設，認為二者平均水平不同。
從直觀上很容易想到，「既然P<0.05說明他們不同，那麼與之相反的，就是她們相同唄」
因此臨床研究中常見的錯誤就是：基於差異無統計學意義的統計結果做出相等性的結論。
假設檢驗的「核心思想」來自「反證」。通過明確驗證目標，並將他的反面設定為原假設。假設檢驗中先設定他的對立面是成立的，並完成統計計算，當對立面成立的可能性足夠小的時候就拒絕他，接受備擇假設，也就驗證了我們的目標。
基於這一點，我們拒絕原假設所需要的p值水平是嚴格公認的「足夠小」
這麼一來，我們很容易看到：p>0.05實際包括了五彩繽紛的實際情況。
但言而總之一句話：我可沒辦法說他們一定一樣喔，我只是說：我還沒理由拒絕它啊！
只有當p<0.05，出現如下情況時，
我們才理直氣壯的結束了戰鬥！
綜上，假設檢驗從根本上限定了：我們能夠驗證的只有備擇假設，而永遠無法驗證原假設成立。因為檢驗是基於原假設成立的角度做出的，p值>0.05，包含了多種實際情況 ，他們僅僅說明現有信息尚不足以拒絕原假設。
那麼，如果想驗證二者相同該怎麼辦呢？
首先，要驗證的結論必須站在備擇假設上。同時，需要通過驗證兩組間的差異小於可接受的差異範疇加以證明。
他有一個好聽的名字「等效性檢驗」