p 值與信賴區間：看懂一份研究有沒有「達標」

先講結論：一份研究有沒有「達標」，不能只看那顆 p 值有沒有小於 0.05。p 值告訴你的事情很有限，而且非常容易被誤讀。要判斷一個結果可不可信、值不值得當回事，你真正該看的是「效果有多大、估得多準」——也就是點估計值與信賴區間——再回頭問一句：這個差距對病人來說有意義嗎？

p 值到底是什麼（以及它不是什麼）

p 值衡量的是：在「假設沒有效果」成立的前提下，看到目前這筆（或更極端的）數據有多不尋常。 美國統計學會（ASA）2016 年的官方聲明把這件事講得很白：p 值可以指出數據與某個特定統計模型有多不相容，但它不衡量「研究的假設為真的機率」，也不衡量「數據純粹由隨機產生的機率」。

兩個最常見的誤解要先戳破：

• p 值不是「假設為真的機率」。 [已知] p 值是個條件機率，前提是「沒有效果」這個假設成立；你不能把它反過來讀成「假設正確的機率有 95%」。這是邏輯上的方向錯誤。
• p 值不是效果大小。 ASA 聲明明白指出：較小的 p 值不代表效果較大或較重要，較大的 p 值也不代表沒效果。樣本一大，連微不足道的差距都能擠出一顆很小的 p 值。

統計顯著 ≠ 臨床顯著

這是識讀研究時最值得記住的一句話。統計顯著只是說「這個差距不太像純粹運氣造成的」；臨床顯著問的是「這個差距大到足以改變治療決策、對病人有實際好處嗎？」

Cochrane 手冊舉的例子很傳神：假設臨床上認為「風險差要到 5% 才算重要」，那麼一個效果估計值只有 2%、信賴區間落在 1% 到 4% 的結果——就算統計上「顯著」、它其實顯示這個介入沒有帶來足夠的健康效益。統計達標、臨床卻不達標，完全可能同時發生。

信賴區間怎麼讀

比起單一 p 值，信賴區間（CI）資訊量大得多。Cochrane 手冊的說法是：點估計值是效果大小與方向的最佳估計，而信賴區間描述了這個估計的不確定性——是「我們有合理把握真實效果會落在其中」的一段範圍。

讀法的關鍵在「無效值」：

• 比值型指標（風險比 RR、勝算比 OR、風險比 HR）的無效值是 1。區間若跨過 1，代表無法排除「沒差別」。
• 差值型指標（風險差、平均差）的無效值是 0。區間若跨過 0，同樣代表未達顯著。

此外，區間的寬窄也在說話：很窄代表估得精準，很寬則代表我們其實所知有限——這是單看「顯著/不顯著」永遠看不出來的。也因此 Cochrane 建議作者別只貼「statistically significant / non-significant」的標籤，而應同時報告信賴區間與確切的 p 值。

p-hacking 與多重比較

[已知] 一次檢定在「其實沒效果」時，仍有約 5% 機率純靠運氣冒出「顯著」。問題是：做越多次比較，至少出現一個假陽性的機率就越高。 在一份數據裡反覆切子群、換變數定義、事後排除受試者、試不同統計法，直到某個分析跨過 p<0.05——這就是 p-hacking。

更微妙的是 Gelman 與 Loken 提出的「分岔路花園」：研究者就算只跑一次、也沒刻意釣，只要分析選擇是「看了數據才決定」的，等同暗中做了很多次比較，照樣會灌水出假陽性。這也是為什麼「預先註冊分析計畫」越來越被重視。

為什麼是 p<0.05

[已知] 0.05 這條線源自統計學家 Fisher 1925 年的著作《Statistical Methods for Research Workers》，是當年手算時代圖個方便、好記（約等於兩個標準差）而定的慣例（這段 p 值與 0.05 門檻的歷史，見前引 Kennedy-Shaffer 2019 的整理）。[推測] 它之所以變成跨學科的鐵則，多半是教科書長年沿用、加上期刊審稿習慣固化的結果，而非有什麼理論證明 0.05 是對的門檻。Fisher 本人對不同情境也用過不同標準。換句話說，0.05 是約定俗成，不是自然定律。

我的觀點

[推測] 把 p<0.05 當成「過關/不過關」的開關，是當代研究最被詬病的壞習慣之一，ASA 的聲明本質上就是在勸大家別這樣做。[已知] 我的具體建議是：看到一份研究，先找效果大小與信賴區間、再問「這個差距在臨床上有意義嗎」，最後才把 p 值當輔助；同時留意作者做了幾次比較、分析是否事先講好。[不知道] 至於某個特定領域該用多嚴的門檻、或該不該全面改用其他統計框架，沒有放諸四海皆準的答案，得看該領域的風險與成本結構。但有一條可以確定：單一一顆 p 值，從來不足以證明任何事。

本文為健康與研究方法資訊整理，協助讀者看懂研究報告，不構成醫療建議，也不能取代臨床判斷。任何治療決策請與你的醫師或合格醫療人員討論；解讀特定研究的統計結果時，建議一併參考原始論文與專業意見。