比较两个组时，必须区分单尾 P 值和双尾 P 值。有些书中提到的单侧 P 值和双侧 P 值意思是一样的。

单尾是什么意思？

从上下文中最容易理解两者的区别。因此，让我们设想一下，您正在比较两组的平均值（用非配对 t 检验）。单尾 P 值和双尾 P 值都基于相同的零假设，即两个群体确实是相同的，观察到的样本均值之间的差异是偶然造成的。

双尾 P 值回答了这个问题：

假设零假设成立，那么随机抽样的样本均值与您在本实验中观察到的均值相差（或更远），且任一组均值较大的概率是多少？

要解读单尾 P 值，您必须在收集任何数据之前预测哪一组的平均值较大。单尾 P 值回答了这个问题：

假设零假设为真，那么随机抽样的样本均值与本实验中观察到的均值相差（或更远），且指定组的均值更大的概率是多少？

如果观察值与实验假设预测的方向一致，则单尾 P 值是双尾 P 值的一半（大多数统计检验，但不完全是所有统计检验）。

什么情况下适合使用单尾 P 值？

当以前的数据、物理限制或常识告诉您，差异（如果有的话）只能朝着一个方向发展时，单尾检验是合适的。只有当以下两种情况都成立时，您才应该选择单尾 P 值。

•在收集任何数据之前，您已经预测了哪一组的平均值（或比例）较大。如果你只是在看到数据后才做出 "预测"，那就不要考虑使用单尾 P 值。

•如果另一组的平均值最终较大--即使大了不少--您也会将这种差异归因于偶然性，并称这种差异 "不具有统计学显著性"。

下面是一个可以适当选择单尾 P 值的本示例：您正在测试一种新的抗生素是否会损害肾功能（通过血清肌酐测量）。许多抗生素会毒害肾脏细胞，导致肾小球滤过功能降低和血清肌酐升高。据我所知，没有一种抗生素会降低血清肌酐，而且很难想象抗生素会增加肾小球滤过率的机制。在收集任何数据之前，您可以说明有两种可能性：要么药物不会改变人群的平均血清肌酐，要么药物会增加人群的平均血清肌酐。您认为该药物不可能真正降低人群的平均血清肌酐，并计划将观察到的任何降低归因于随机抽样。因此，计算单尾 P 值是合理的。在本示例中，双尾 P 值检验的是药物不改变肌酐水平的零假设；单尾 P 值检验的是药物不增加肌酐水平的零假设。

在单尾 P 值和双尾 P 值之间做出选择的问题不在于您期望值是否存在差异。如果您已经知道是否存在差异，就没有理由再收集数据了。相反，问题在于差异的方向（如果存在差异）是否只能有一个方向。只有当您可以确定（在收集任何数据之前）在总体人群中要么没有差异，要么在特定方向上存在差异时，您才应该使用单尾 P 值。如果您的数据最终显示出 "错误 "方向上的差异，您应该愿意将这种差异归因于随机抽样，而无需考虑所测量的差异可能反映了总体中的真实差异。如果 "错误 "方向的差异会引起您的兴趣（哪怕是一点点），您就应该计算双尾 P 值。

Prism 如何报告单尾 P 值

当您要求 Prism 报告单尾 P 值时，它会假定实际差异或效应与您预测的方向一致，因此 Prism 报告的单尾 P 值总是小于（几乎总是精确为）双尾 P 值的一半。

如果观察到的差异或效应与您预测的方向相反，那么 Prism 报告的单侧 P 值就是错误的。实际的单尾 P 值将等于 1.0 减去报告的 P 值。本示例中，如果报告的单尾 P 值为 0.04，而实际差异与您预测的方向相反，则实际单侧 P 值为 0.96。

如果您在收集数据前没有预测差异或效应的方向，该怎么办？

如果您在收集数据之前没有预测效应的方向，您就不应该报告单侧 P 值。说 "好吧，我会预测...... "是一种欺骗。如果您没有记录预测结果，那么您就不应该使用单侧 P 值。

如果检验没有两个方向怎么办？

单尾 P 值和双尾 P 值的概念只适用于效应有两个方向（增加或减少）的假设。如果您比较的是三个或更多组（方差分析），那么单尾和双尾 P 值的概念就没有意义了，Prism 也不会要求您做出这样的选择。

如何在单尾和双尾 P 值之间转换

如果实际效果与您预测的方向一致：

•单尾 P 值是双尾 P 值的一半。

•双尾 P 值是单尾 P 值的两倍（假设您正确预测了差异的方向）。

这条规则几乎适用于所有统计检验。有些检验（Fisher 检验）不是对称的，因此这些规则对这些检验来说只是近似值。

如果实际效果与您预测的方向相反：

•单尾 P 值等于 1.0 减去双尾 P 值的一半。