大家对于原p的理解是什么呢

p值是指在一个概率模型中，统计摘要（如两组样本均值差）与实际观测数据相同，或甚至更大这一事件发生的概率。

换言之是检验假设零假设成立或表现更严重的可能性。p值若与选定显著性水平（0.05或0.01）相比更小，则零假设会被否定而不可接受。但是这并不直接表明原假设正确。p值是一个服从正态分布的随机变量，在实际使用中因样本等各种因素存在不确定性。产生的结果可能会带来争议。

发展史

R·A·Fisher（1890-1962）作为一代假设检验理论的创立者，在假设检验中首先提出P值的概念。他认为假设检验是一种程序，研究人员依照这一程序可以对某一总体参数形成一种判断。也就是说他认为假设检验是数据分析的一种形式，是人们在研究中加入的主观信息。

当时这一观点遭到了Neyman-Pearson的反对，他们认为假设检验是一种方法，决策者在不确定的条件下进行运作，利用这一方法可以在两种可能中作出明确的选择，而同时又要控制错误发生的概率。这两种方法进行长期且痛苦的论战。

虽然Fisher的这一观点同样也遭到了现代统计学家的反对，但是他对现代假设检验的发展作出了巨大的贡献。

假设检验的P值方法

假设检验的p值方法使用计算出的概率来确定是否有证据拒绝原假设。零假设（也称为猜想）是有关总体（或数据生成过程）的最初主张。备选假设指出总体参数是否与猜想中所述的总体参数值不同。

在实践中预先声明了显着性水平，以确定p值必须有多小才能拒绝无效假设。由于不同的研究人员在研究问题时会使用不同级别的重要性，因此读者有时可能难以比较两种不同测试的结果。P值提供了解决此问题的方法。

例如假设一项比较两种特定资产收益的研究是由使用相同数据但不同显着性水平的不同研究人员进行的。对于资产是否不同，研究人员可能得出相反的结论。

如果一位研究人员使用90％的置信度而另一位研究人员要求95％的置信度来拒绝原假设，并且两次收益之间观察到的差异的p值为0.08（对应于92％的置信度），那么第一个研究人员将发现这两种资产具有统计上的显着差异，而第二个研究人员将发现收益之间在统计上没有显着差异。

为了避免这个问题，研究人员可以报告假设检验的p值，并允许读者自己解释统计学意义。这称为假设检验的p值方法。独立的观察者可以记录p值，并自己决定这是否代表统计学上的显着差异。