不仅仅是医学研究生和研究者，即使是我这样的统计工作者，绝大多数情况下，P值≤0.05，都是一个让人心情愉悦、浑身舒畅的结果：欧耶，“显著”！
但是科研与生活无异。“不如意事常八九，可与人言无二三”。很多时候我们的数据不争气，在我们翘首企盼阳性结果时，她却选择了沉默，给了我们一个无言的结局：P>0.05。
所以，作为一名科研人，学会正确面对这种“不如意事”：理解这沉默背后的含义、成因并采取正确的对策，是我们的基本素养。
一、P>0.05不等于没差异
以最简单却最常用的两样本{$\chi^2$}检验为例：
原假设（零假设）与备择假设分别为：{$H_0~:~\Pi_A = \Pi_B$}，{$H_1~:~\Pi_A \ne \Pi_B$}。
经过统计计算，若{$P \le 0.05$}，则意味着在上述{$H_0$}成立的条件下，得到我们的样本数据（包括更极端即差异更大的情况）的概率非常低，低于我们设定的阈值（常用{$\alpha=0.05$}），是一个小概率事件；而小概率事件在一次抽样当中不太可能发生，现在却发生了，问题出在哪？
那既然样本已经取得，是一个事实，不应该是一个小概率事件，而P值是基于{$H_0$}成立计算的，当然我们就怀疑上述{$H_0$}应该是有问题的，错的、假的！于是，我们基于逻辑判断，{$H_1$}应该是对的，是我们应接受的结论。这就是{$P \le 0.05$}时统计上作出推断的逻辑。
而当{$P > 0.05$}时，意味着：在零假设{$H_0$}成立的条件下，我们得到当前数据的概率并不算低，此时我们就很难再说{$H_0$}有问题，结果就是无法接受{$H_1$}作为我们的推论。
那此时，我们的结论到底是什么？
针对上述假设，（{$P \gt 0.05$}）结论可以是：
- AB两组间的差异无统计学意义；或
- 尚不能认为（或尚无充分的证据表明）A与B的效应有差异。
结论不可以是：
==A与B的效应没有差异==；也就是在{$P > 0.05$}时，我们不能接受零假设{$H_0$}。
二、原因：数据为何沉默？
数据沉默的背后，是多种可能性的原因交织在一起，所以我们不能简单地接受{$H_0$}（没有差异）；常见的可能原因如下：
1、样本量不足
比如下面这个卡方检验，两组率及率差相同（均为85% vs 70%），但{$P$}值相差很大，统计推断的结果也不相同。很显然，相同条件下，样本量一个是80例（左）、一个是160例（右），检验效能肯定不同，样本量大的检验效能高，容易拒绝{$H_0$}到得阳性结论。
2、数据的变异过大：组间的差异被淹没
数据的变异（波动）就像噪音，如果在嘈杂的闹市，有人在你身后轻唤你的名字，你很可能听不见，因为这个声音（组间差异）被噪声（数据变异）掩盖了。如下所示：
上述两个数据集，相同的样本量与组间差异结论却不同，就是因为右侧数据集中，数据变异较大（方差分析表中组内SS较组间SS大很多，差异淹没在噪声里）。
3、混杂因素影响
两种治疗结石的方法A与B，分别治疗350名结石患者，效果如下表；若单纯比较治疗小结石或大结石的疗效，AB两组间差异是有统计学意义的：
但是，若对大小结石合并后的研究数据（有效：273 vs 272），直接使用卡方检验进行组间差异的比较，结果为：{$\chi^2=0.008，P=0.927$}，结论只能是：==AB两种治疗方法的疗效差异没有统计学意义==。
很明显，我们没有考虑大小结石这个混杂的因素。因为AB两组中大小结石所占比例不同，所以肯定会影响最终两组疗效的评价。阴性的结果，也有可能是忽略了关键的混淆变量所致。
4、总体差异可能确实很小甚至没有
此时几乎无法通过抽样研究得出总体之间有差异的结论。
三、对策：如何应对沉默的数据？
当主要研究指标出现P > 0.05的情况，我们不应简单的给出差异没有统计学意义的结论：
1、报告精确P值与效应量
报告精确的P值，可以传递更多信息（比如P=0.08暗示了某种“边缘”迹象）。同时报告效应量及其95%置信区间。一个很宽的、包含“零”但也包含有实际意义值的置信区间，说明了结论的不确定性，未来还有机会得到阳性结论。
2、给出更为严谨且保有余地的结论
比如：当前研究，未能给出充分的证据证明。。。；像之前的中风醒脑液的临床试验结果，就可以这样表述：
本研究未能给出充分的证据，证明在出血性卒中常规治疗基础上加用中风醒脑液，能给患者带来明确获益。
这样的一个结论，可以明确告知读者，这一结果可能源于效应不存在，也可能源于研究的局限性（反正我是不会承认试验失败的）。
3、进行检验效能分析
“在我的样本量、效应量和显著性水平下，检测到真实效应的概率（检验效能，或者说统计的功效）有多大？” 如果事后的检验效能分析显示统计功效很低（如<80%），那么这个“不显著”的结果几乎是意料之中。
4、深入审视你的数据
检查数据中是否存在误差过大、异常值干扰或存在混杂因素的问题，并尝试通过数据清理、数据变换或使用更稳健的模型，看统计结论是否稳定。
5、设计后续研究
如果研究的结果表明效应理应存在，那么此次“沉默”的数据，恰恰是下一次研究的最佳起点，因为你可以更加准确地估计各组效应量、变异等，从而设计一个检验效能较高，成功的把握更大的研究。
结语
主要研究终点的P值 > 0.05不是研究的终点，更不能简单地认为是失败的标志。它或是一个邀请，让我们去探寻这些数据背后的科学真相。