有一天，我走進統計學的神殿 ，將所有謊言都裝進原假設的盒子裡，
「P值為零」，
一個聲音傳來，
「但你已經不能再拒絕，因為，P值已經死了」
從此，這個世界上充斥著謊言。
一、一個悲傷的故事：破滅的年少成名之夢
首先跟大家說一個悲傷的故事，該故事來源於nature最近發布的一篇文章「statistical errors」，我把這個故事叫做「破滅的年少成名之夢」
話說，維吉尼亞大學有一位意氣風發俊朗不凡的博士研究生莫德爾。
他做了一項關於關於政治極端分子的行為研究，樣本大約有2000個人群，結果發現，相比較政治極端分子，政治溫和派似乎更能辨別不同色度的灰色。
莫德爾對這項發現非常得意，因為數據也給出了非常積極的結果，統計結果顯示P值為0.01，這意味著結果「非常顯著」。莫老兄十分有把握能把自己的論文發表在高影響因子的刊物上。
由於擔心實驗結果陷入再現性爭論，莫兄和他的導師決定重複實驗，但是，在添加了新的數據之後，P值變成了0.59，這連0.05的顯著性水平都沒有達到！
傷心絕望的莫老兄知道，他觀察的心理學效應站不住腳了，一同破滅的，還有那顆年少成名的美麗夢想。
實際上，問題並不在數據中，而是P值出了問題，正如羅斯福大學的經濟學家史蒂芬所說，「P值沒有起到人們期望的作用，因為它壓根就不可能起到這個作用。」
為什麼呢？為什麼P值沒有達到人們的期望？它的問題到底在哪？現在和數說君一起來梳理一下P值和假設檢驗的歷史，並從中尋找答案吧。
二、P值和假設檢驗的歷史
1. 拉普拉斯
P值得歷史可以追溯到1770年，數學家拉普拉斯在處理50萬左右的生育數據時，發現男性的生育率超過女性，對於這個無法解釋的「超越」，他計算了一個叫做「P值」的東西，以確定這個「超越」是真實的（Stigler 1986, P.134）。
2. KarlPearson
很多統計學家誤以為關於P值的正式文獻是費雪發表的，其實不然，最早在文獻中正式闡述P值及其計算的，是統計學家Karl Pearson，你可能不了解他，但是他的Pearson卡方檢驗你一定知道，這篇關於卡方檢驗的文章當時被發表在《哲學雜誌》上，文章中一同被介紹的，還有一個被叫做「P值」的東東，見史料。
3. Fisher
P值能風靡學術界這麼多年，費雪是第一推手，被他推動的除了P值，還有被稱為「費雪學派」（Fisherian）的假設檢驗思想。簡單介紹下他的思想：
如果我們想要檢驗一個樣本是否來自某個分布已知的總體，首先要建立一個「原假設」（null hypothesis），比如，下圖的例子我們假設該樣本來自正態總體N(m0,σ)，那麼原假設為：
H0：m=m0
但實際上我們得到的樣本均值不是m0，而是，那麼Fisher他老人家當時的想法是：在一個樣本均值為m0的正態總體中，抽樣得到這個均值為的樣本的機率會有多大？我要是能計算出這個概率，就知道「這個樣本來自該總體」這件事有多靠譜了，如果概率太小，就認為是不靠譜的事情，那麼就可以認定這個假設是錯的。這就是假設檢驗裡的「小概率事件原理」，這個概率就是後來風靡學術界的「P值」，一般認為概率小於5%，就是不靠譜的事情，則需要拒絕原假設。
到此為止，Fisher大神隻字未提「備擇假設」，也從沒說任何關於「接受」某個假設的事情，在Fisher的檢驗哲學裡，
檢驗是基於無限總體中抽出的一個（注意是一個）樣本；顯著性檢驗的基礎是基於原假設而得出的假想概率，這些檢驗不能導出任何關於真實世界的概率論斷。因此，費雪以及他的P值檢驗思想，從來沒有涉及到「備擇假設」的概念，沒有被認為可以用來證明某個假設是對的。
4. Neyman-Pearson
後來流行的「備擇假設」的概念是在另一個重要的檢驗思想裡提出的，即Neyman-Pearson（以下簡稱N-P）檢驗思想。N-P學派發源於費雪的思想，但卻與之不太一樣，他們兩派相互爭論了很多年。相比較於Fisher學派，Neyman他們主要有三個不同：
（1） 引入備擇假設
Neyman本人曾說，「接受一個假設H，僅僅意味著採用決策A要比決策B好，並不能說明我們必須要相信假設H就是對的。」
（2） 引入兩種錯誤：第一類錯誤和第二類錯誤
第一類錯誤是指拒絕了一個正確的原假設（α），第二類錯誤是指接受了一個錯誤的原假設（β）；
Power=1-β,被稱為檢驗效力，它代表著拒絕一個錯誤假設的概率；
N-P的檢驗思想是，控制第一類錯誤（一般事先給定），使得第二類錯誤的值越小越好，即power越大越好。
（3） 使用拒絕域來進行檢驗
在N-P的思想框中，完全沒有提到P值，他們使用拒絕域來對假設進行判別，具體檢驗思想見下圖：
（4） 錯誤的混合
比較以上兩個檢驗我們發現，Fisherian和N-P的檢驗思想完全不同，
費雪學派的P值檢驗思想，沒有涉及備擇假設，也從來沒有被嚴格證明可以用來證明某個假設是對的。實際上，當我們抽取的樣本變化時，得到的P值也會變化，結論也會隨之變化。N-P學派使用備擇假設，在判定是接受還是拒絕某個假設的時，同時會給出兩類錯誤以及power作為輔助參考，但是該學派（包括Neyman本人）從來不承認「P值」這個東西。雖然樣本不同，他們的結論也會不同，但是N-P方法會在每個結論的後面給出相應的power，說明該結論的靠譜程度，相對於P值檢驗，這個方法更加規則嚴密。Fisher和Neyman兩人知道對方的觀點，但是彼此都不能相容，Neyman批評Fisher的某些工作從數學上講比「毫無用處」還糟，Fisher對Neyman方法給出的評價是「無比幼稚」、「在西方學界中簡直駭人聽聞」（Nuzzo,2014）。然而後世的許多統計學家錯誤的將兩個方法進行了混合，衍生出這樣的判別標準，即:
用p<α作為判斷標準，以決定接受原假設還是備擇假設
如Gibbons（1986，p.367）說：「P值與古典方法（即Neyman-Pearson）的關係是，如果p<=α，我們就要拒絕H0，如果p>α，我們就要接受H0。」
三、悲劇的結論
梳理完P值和假設檢驗的歷史，你應該知道為什麼羅斯福大學的經濟學家史蒂芬說，「P值沒有起到人們期望的作用，因為它壓根就不可能起到這個作用。」了，因為P值從來沒有被證明可以用來接受某個假設，即使是拒絕假設，也是基於某個樣本得出的結論，當樣本變動時，結論很可能也會變動。
P值檢驗會如此不靠譜？其實，Fisher本人對統計檢驗的觀點更加悲觀，他認為，統計學的功能僅僅在於歸納推論（inductive inference），而不是歸納行動（inductive behavior）；統計檢驗應該止於歸納結論，而不涉足於行動判斷（Lv,2012）。
這是一個悲劇的結論，不僅對夢碎的莫德爾老兄，也對所有運用統計學的研究者。
四、解決之道
面對「P值至上」的種種惡果，統計學家們給出了其他的解決方法，
避免使用「顯著」或「不顯著」來進行判斷。如心理學家Cumming建議，研究者應當給出置信區間和power，以讓讀者明白研究結果的靠譜程度。使用貝葉斯等決策方法。下圖是貝葉斯的判斷準則，沒有P值的參與。對同一個數據使用多種方法進行分析。結果越是不同，就越有可能出現重大的發現。數說君曰：P值死了，這是統計學的重生.