统计领域有许多概念，其中最为引人注目的便是所谓的“统计显著性”。听起来似乎是一个深奥的科学概念，但实际上是，它作为一个标准，常常使无数的学术论文和商业决策陷入误区，这听起来似乎有些荒谬。
p值和置信区间，这两个概念可能是你首先想到的疑问点。它们不是统计学的基础工具吗？确实，这些工具本身并无问题，但在人们如何运用这些工具方面，却常常出现问题。很多时候，人们错误地运用这些工具，却还自以为是掌握了科学的真谛。
关于p值，本质上它是一个概率。设想一个“零假设”是真的，那么观察到的结果会有多极端？如果p值小于0.05，传统统计学便会告诉你：“这个差异显著！”相反，则会被认定为“这个差异不显著”。这种判断方式看似逻辑清晰，但其背后的标准却让人疑惑：这个0.05的标准到底从何而来？
这个标准的起源可以追溯到上世纪30年代，当时统计学家Ronald Fisher随口提出：“0.05是一个不错的经验法则。”从此，这个标准被奉为圭臬，在学术界、工业界、科技界和界广泛应用。令人啼笑皆非的是，一个统计学家90年前的随口一说，竟然影响了数万亿级的商业决策、数百万篇学术论文，甚至决定了物审批和公众认知。这引发我们思考：科学的本质在于探索，而不是盲目。统计显著性已经成为一种广为接受的说法，而非严谨的分析工具。
再来看置信区间的问题。统计显著性的一个缺陷在于它的二元性：要么显著，要么不显著。但现实世界远比这复杂得多。例如，在电商领域的A/B测试中，A组用户的平均消费可能与B组有细微的差异。这种差异听起来不错，但在统计显著性的框架下，我们可能会因为p值的微小差异而做出截然不同的商业决策。这意味着统计显著性像一道枷锁，将复杂的现实问题简化成非黑即白的二元决策。实际上，我们需要更全面的分析现实世界中经济影响而非仅仅依赖于简化的统计工具来做出重要的决策。因此我们需要超越统计显著性的局限来看待现实世界中的复杂问题。现实世界关注的是影响、风险和收益而非一个p值是否低于某个随意设定的门槛因此我们应该采取更全面、更深入的思维方式来解决现实问题而不是被简化的统计工具所束缚。
