إن إحدى أفضل التعريفات لـ P-value بأنها احتمالية أن يكون الملخص الإحصائي للبيانات (كمتوسط الاختلاف بين مجموعتين في عينة ما) مساوياً أو أكثر تطرفاً من قيمته المقاسة وذلك بموجب نموذج إحصائي محدد.

وعلى ذلك فإن المنهجية الأشيع لاستخدام قيمة P-value في أي اختبار هي وفق ما يأتي:

1- تحديد النموذج الإحصائي المناسب للبيانات الموجودة .

2- تحديد الفرضية العدم (Null Hypothesis) والفرضية البديلة (Alternative Hypothesis).

3- تحديد القيمة الحدية (Cut-off) والمسماة عادة ألفا أو مستوى الأهمية (Significance level - α) وعادة ما تكون هذه القيمة 0.05 وتحدد وفقاً لطبيعة البيانات والفرضيات.

4- بعد حساب P-value نقارنها مع القيمة الحدية فإذا كانت أصغر منها نرفض فرضية العدم ونقبل الفرضية البديلة والعكس بالعكس.

لكن هناك جملة من الملاحظات يجب الانتباه إليها:

- يمكن أن تشير P-value إلى مدى عدم توافق البيانات مع نموذج إحصائي محدد. 

- لا تدرس P-value احتمالية أن الفرضية المدروسة صحيحة ولا احتمالية كون البيانات منتَجة عشوائياً وبالصدفة.

- يجب ألا تستند القرارات العلمية والعملية والسياسية إلى ما إذا كانت P-value تتجاوز عتبة معينة وحسب.

- يتطلب الاستدلال الصحيح إبلاغ التقارير كاملة وبكل شفافية. 

- لا تقيس P-value حجم التأثير أو أهمية النتيجة. 

- ولا توفر P-value في حد ذاتها مقياساً جيداً للأدلة المرتبطة بنموذج أو فرضية.

يجب الانتباه هنا إلى أن ما ذكر لا يتعدى كونه ملخصاً بسيطاً جداً عن P-value والتعامل معها ومع الفرضيات المرتبطة بها ونترك لكم المجال دوماً أعزاءنا القرّاء لمزيد من البحث والتفاصيل، والمراجع موجودة وبكثرة فيما يخص الدراسات الإحصائية.

Wasserstein RL, Lazar NA. The ASA Statement on p-Values: Context, Process, and Purpose. The American Statistician [Internet]. 2016 [cited 7 May 2021];70(2):129-133. Available from: