P 值回答了什么问题？
Fisher 检验或卡方检验的 P 值回答了这个问题：
如果在总体中，定义行的变量和定义列的变量之间真的没有关联，那么随机抽样会产生像本实验中观察到的那样强（或更强）的关联的几率有多大？
当有两列和两行以上按自然顺序排列时，就要进行趋势检验的卡方检验。它也被称为Cochran-Armitage 方法。P 值可以回答这个问题：
如果行数与左列受试者分数之间不存在线性趋势，那么作为随机抽样的结果，您碰巧观察到这种强烈趋势的概率是多少？
有关趋势的卡方检验的更多信息，请参阅 D. G. Altman 所著的优秀教材《医学研究实用统计检验》（Practical Statistics for Medical Research），该书于 1991 年由 Chapman and Hall 出版。
不要忘记，"统计学显著"并不等于 "科学上重要"。
为什么 P 值与置信区间并不总是一致的？
P 值和置信区间是交织在一起的。如果 P 值小于 0.05，那么 95% 置信区间就不能包含定义零假设的值。(你可以对 P 值小于 0.01 和 99% 置信区间等做出类似的规定）。
Prism 的列联表结果并不总是坚持这一规则。
从 Fisher 检验计算出的 P 值精确无误。但是，优势比和相对风险的置信区间是通过只能近似正确的方法计算出来的。因此，置信区间有可能与 P 值不完全一致。
例如，有可能结果显示 P<0.05，而相对风险的 95% CI 包括 1.0。(相对风险为 1.0 意味着没有风险，因此定义了零假设）。同样，您也可以发现 P>0.05 的 95% CI 不包括 1.0。
这些明显的矛盾很少发生，最常见的情况是您输入的其中一个值等于零。
如何计算 P 值
计算卡方检验是标准的，在所有统计书籍中都有解释。
Fisher 检验被称为 "精确"检验，所以你会认为如何计算 P 值已经达成了共识。但事实并非如此！
虽然大家都同意如何计算单侧（单尾）P 值，但实际上有三种方法可以计算 Fisher 检验的 "精确 "双侧（双尾）P 值。Prism 使用小 P 值求和法计算双侧 P 值。大多数统计学家似乎都推荐这种方法，但有些程序使用了不同的方法。
如果您想了解更多，SISA 提供了详细的讨论和参考资料。另请参阅 Alan Agresti 在《分类数据分析》中关于 Fisher 检验的部分。这是一个非常令人困惑的话题，这也解释了为什么不同的统计学家（以及不同的软件公司）使用不同的方法。
单侧 P 值
Prism 可以让您选择报告单侧或双侧 P 值。
对于卡方检验，单侧 P 值是双侧 P 值的一半。ZarBiostatistical指出（第 503 页，第五版），有一种极为罕见的情况，单侧 P 值可能会产生误导：如果您的实验设计同时选择了行总数和列总数。
为什么我们使用 "单侧"而不是 "单尾"？为了避免混淆。卡方检验的值总是正的。要从卡方检验中找出 P 值，Prism 会计算（在零假设下）看到那么大的卡方值或更大的卡方值的概率。因此，它只检验卡方分布的右尾部。但是，当与零假设的偏差向任一方向发展时（比例差为正或负、相对风险大于或小于 1），卡方检验值都可能很高。所以双侧 P 值实际是从卡方检验分布的单尾计算出来的。
对于 Fisher 检验，单侧 P 值的定义并不模糊。但在大多数情况下，单侧 P 值并不是双侧 P 值的一半。
