🔑 名詞卡
p值（p-value）
🎯 定義
在虛無假設 H0 為真之下，檢定統計量會落在比觀測值至少同樣極端的區域之機率。p 值又稱觀測大小。
重點
- 判斷規則：若所得觀測值的 p 值夠小，小於[[顯著水準]] α，則拒絕虛無假設。
- 例：p = 0.03，α = 0.05 → 0.03 < 0.05 → 拒絕 H0，代表在 H0 為真的情況下，觀察到目前數據或更極端數據的機率僅 3%，即有 95%（＝1−α）的信心認為結果並非偶然，而是支持對立假設。
⚠️ 易錯點
「p 值小於 α 而拒絕 H0」不等於「p 值本身就是犯 Type I 錯誤的機率」——犯 Type I 錯誤的機率是 α（顯著水準），不是 p 值，兩者容易混淆。
補充（中級科目二：大數據情境下的 p 值膨脹）
在大數據環境中，樣本數非常大時 p 值會變得過於敏感，即使兩組間差異極小（如轉換率僅差 0.05%），也可能產生極小的 p 值（如 p<0.0001），被誤判為「統計上非常顯著」，這種現象稱為 p 值膨脹（p-value inflation）。因此進行統計推論時，不能只看 p 值，還應搭配效果量（effect size）與信賴區間，評估實務上的意義，才能做出正確判斷（詳見 CH5.1_統計學在大數據中的應用）。
📖 課文原文「在 H0 為真之下，檢定統計量會落在比觀測值至少同樣極端的區域之機率。p 值又稱觀測大小。若所得之觀測值得 p 值夠小，小於 α，則拒絕虛無假設。」
中級補充：「但在大數據環境下，當樣本數變得非常大時，p 值會變得過於敏感……這種現象稱為 p 值膨脹。它讓統計檢定過度強調『有沒有差』，卻忽略了『差多少』和『差異有沒有意義』。」