直接回答:丘奖研究报告里出现 p 小于 0.05,只说明在某个统计模型和原假设下,数据与“没有差异”的不一致程度达到了常用阈值,不等于差异大、机制成立或研究重要。规范的报告至少同时写清:检验类型与前提、各组样本量和描述统计、精确 p 值或明确阈值、效应量、95%置信区间,再把统计结果放回研究问题讨论实际意义。以下从备赛写作视角说明,不宣称官方或授权身份;具体参赛与评审要求以官网当年通知为准。
丘成桐中学科学奖官网《比赛日程》(2026年)显示,参赛材料包括研究报告;分赛区评审评选出入围全球总决赛的名单。本文只讨论研究报告中的统计报告写法,不涉及评审结果,也不把示例当作官方评分标准。
p值在说什么:它不是“结论为真的概率”
p值回答的是一个窄问题:假定原假设成立、检验假设也满足,出现当前或更极端数据的概率有多大。它不回答“原假设为真的概率”,也不回答“结果有多重要”。因此,p=0.04不能读成“有4%的概率结论错误”,更不能读成“有96%的概率结论正确”。
这也是为什么只写“p 小于 0.05,显著”不够。读者不知道你比较了什么、用了什么检验、样本多大、差异方向如何。若检验前提不成立,p值本身也失去原本的解释。比如独立样本t检验通常需要观察近似独立、分布不过度偏斜;方差不齐时可用Welch方法,但要在报告中说明。
教学示例:同样2.2分,样本量不同,p值不同
以下为虚拟教学示例,不是真实赛题,也不是官方评分标准。设想比较两种学习安排后的测试得分,单位为分。两组均值分别为50.2和48.0,均值差2.2分,组内标准差均约为10分。若每组40人,双侧Welch t检验得到t(约78)≈0.98,p≈0.33,95%置信区间约[-2.3,6.7];若每组180人,t(约358)≈2.09,p≈0.038,95%置信区间约[0.1,4.3]。两种情形下Cohen's d都约为0.22。
| 每组样本量 n | 均值差(标准误) | t(自由度) | 双侧 p | 95%置信区间 | Cohen's d |
|---|---|---|---|---|---|
| 40 | 2.2(2.24) | 0.98(约78) | 约0.33 | 约[-2.3,6.7] | 0.22 |
| 180 | 2.2(1.05) | 2.09(约358) | 约0.038 | 约[0.1,4.3] | 0.22 |
表里的关键不是“180人更显著所以更好”,而是:均值差和标准差没变,标准误随样本量增大而缩小,p值随之变小。p值同时受效应大小和样本量影响。把p值当作“效果大小”的比较工具,会误导读者。

效应量:统计显著,可能只是“很小但很稳定”
效应量描述差异的相对大小。示例中d=2.2/10=0.22,按常见粗略参照属于小效应;0.2、0.5、0.8常被分别称作小、中、大,但这不是绝对标准,必须结合领域和测量工具解释。对百分制测验,2.2分是否有实际意义,要看最小重要差异、测量误差和决策后果,而不是只看d。
统计显著回答“是否难以用随机波动解释”,效应量回答“差异有多大”。两者缺一不可。只报p值,读者无法判断结果是“微小但样本很大”还是“明显但样本很小”;只报效应量,读者又不知道估计有多不稳定。因此下一节需要置信区间。
置信区间:把估计的不确定性写出来
95%置信区间给出一个与数据相容的均值差范围。频率学派的解释是:若重复抽样并每次按同样方法建区间,约95%的区间会覆盖真实均值差;它不是“真实值有95%概率落在这个具体区间”的贝叶斯陈述。示例中每组180人的区间约[0.1,4.3],说明数据支持“正差异”,但差异可能很小,也可能达到4分左右。
若研究前设定“至少提高5分才算有实际意义”,这个区间上限约4.3,低于5,就不能宣称已达到该实际重要阈值。注意,这不是说干预一定无效,而是当前数据不足以支持“达到5分”的强结论。置信区间比单独的p值更能帮助读者做这种判断。
样本量与统计功效:小样本的“显著”要更谨慎
统计功效是研究设计在给定效应、样本量、显著水平和变异程度下,正确拒绝错误原假设的概率。样本太小,真实存在的差异可能检测不到;样本太大,微不足道的差异也可能显著。示例中每组40人的区间很宽,p≈0.33不能证明“没有差异”;每组180人区间变窄,但效应量仍小。
还要警惕“显著结果才被留下”的筛选。若同时比较很多指标、很多分组,或反复调整模型直到p 小于 0.05,假阳性风险会上升。报告时应写清主要结局、检验次数和是否做了多重比较校正;至少不要只展示显著的那一个结果。小样本显著结果常伴随较大的效应估计,复现时可能缩小,这一点在解释时要留有余地。
报告模板:一段话写清统计结果
可参考下面的写法,把方括号内容换成真实分析:“在独立两组、近似正态且方差相近的假设下,A组(n=180)均值为50.2(SD=10.0),B组(n=180)均值为48.0(SD=10.0);均值差为2.2,95%CI为[0.1,4.3],Welch t(约358)=2.09,双侧p=0.038,Cohen's d=0.22。差异在0.05水平上统计显著,但效应量较小;若以5分为最小重要差异,当前区间尚未覆盖该阈值,因此不能把统计显著直接表述为实际重要。”
这段模板有意把“检验—估计—解释”分开。检验部分写清方法和p值,估计部分写效应量与区间,解释部分回到研究问题。若使用回归、卡方、非参数检验或混合模型,也要相应报告系数、比值比、秩差、模型设定和区间,不能机械套用t检验句式。
实际意义:结果对研究问题意味着什么
实际意义不是p值的附属标签,而是研究设计的一部分。建议在收集数据前就写下:主要比较是什么、最小重要差异是多少、若区间跨过该阈值如何解释、哪些结果只能作为探索性发现。从备赛写作角度,建议先让读者看到研究问题、方法一致性和结论边界,而不是只贴一个“显著”标签。把统计结果与丘奖结果可视化:让一张图支撑一个明确的研究结论结合时,图上应标出样本量、单位和不确定性,不要用星号代替效应量。
如果结果显示差异小且区间宽,诚实写法是“当前样本不足以支持实际重要差异”,而不是改口说“趋势显著”。研究局限可以写清样本来源、测量误差、未控制变量和检验前提;可参考丘奖答辩中的研究局限:如何解释适用范围而不削弱成果价值,但不要把局限写成套话。统计报告的目标是让读者能复查你的判断,而不是让p值替你下结论。
自查清单:5个问题检查统计报告
- 1. 问题与阈值:主要研究问题、比较组和最小重要差异是否在分析前写清?
- 2. 数据与单位:每组样本量、均值、标准差或频数、测量单位是否齐全?
- 3. 检验与p值:是否写明检验名称、单双侧、统计量、自由度、精确p值或明确阈值?
- 4. 效应与区间:是否同时报告效应量和95%置信区间,而不只写p 小于 0.05?
- 5. 解释与边界:是否区分统计显著和实际重要,并说明前提、多重比较与局限?
找老师做统计检查前,可准备四样材料:研究问题与预期方向;原始数据表和数据字典(变量、单位、缺失值);已经做过的检验清单;软件输出与图表草稿。这样讨论会集中在“模型是否匹配问题、解释是否过度”,而不是从零猜测。若需要先补数据流程,可参阅丘奖论文数据分析怎么做?数据收集到结论全流程。这些准备不承诺任何评审结果,只是让统计报告更可检查。

常见问题
p 小于 0.05 是否就等于研究重要?
不等于。p 小于 0.05 只表示在当前模型和原假设下,数据与“没有差异”的不一致达到常用阈值;差异可能很小,也可能估计很不稳定。还要看效应量、95%置信区间、最小重要差异和研究设计。
p值越小,效应量就越大吗?
不一定。样本量增大时,很小的差异也可能得到很小的p值;反过来,小样本的大差异也可能因不确定性大而p值不显著。p值同时受效应大小、样本量和变异程度影响,不能当作效应量的替代指标。
置信区间和p值看起来不一致时,应该听谁的?
在同一个检验、同一个双侧0.05水平下,95%置信区间不含0与p 小于 0.05通常一致。若软件设置、单双侧或模型不同,不应机械比较。报告时把检验、p值、效应量和区间一起写清,并说明使用的是哪一种分析。
