P值是基于null hypothesis的假定，而你根据数据和事先设定的原则对这个假定给于拒绝后，你所可能犯下一个错误的可能性大小。既然是错误的概率，越小你就越有把握去reject null；但如果P值比较大，你最好谨慎点，而不去拒绝假定的原假设。

通俗来说，p值就是拒绝原假设要冒的风险。值越小，小风险可以接受，就拒绝；否则就无法拒绝。
这种解释可以辅助理解，但是并不严格～

刚学统计的时候，诸如P值，第一类error，第二类error等等概念感觉都很难理解，就算老师三番五次的重申。后来，学得时间长了，学习的level高了，就慢慢接受了。所以讲得详细并不一定能够理解，理解也并不一定能够接受。想拿这一千大洋？难！

好的，我换个说法，对于正态分布的u检验，对于同一总体，如果设定a=0.05,当抽样算的统计量u=0.3时，就接受了H0，而当抽样算的统计量u=3时，就拒绝了H0，我们知道，不管u=0.3还是u=3的样本，其概率均为0，为什么当u=0.3，就接受H0，当u=3就拒绝H0，谢谢高手指点！当然，不能解释说，因为a=0.05，u=0.3时，P>0.05,而u=3时，P<0.05，而是我想知道，这个规则的基础，而不是这个规则的内容，再次谢谢高手！！！如果有人解答我这个问题，我就把他的答案设为最佳答案！！

利用“假设检验”的方法设计一个简单的试验，对赌场是否存在违规操纵行为作出判断。作为对“假设检验”步骤的梳理，和加深对P值的理解。

       在这个试验中，我们选择考察的项目是：骰子。在没有认为操纵的情况下，骰子的大小出现的概率为0.5。反之亦然。

       则这个试验的“原假设”为：骰子出现大的概率为0.5 ；“备则假设”为：骰子出现“大”的概率不为0.5。

       我们考虑当“原假设”，也就是筛子出现大的概率为0.5的时候，观察N次摇骰子的结果，就会有等于或接近一半的结果会是“大”，其它的结果是“小”。如果N次的结果偏离以上所描述的情况太远的时候（小概率事件），我们就可以拒绝“原假设”了。设定α值为0.05，也就是说P值小于0.05时，我们可以说这个结果在“原假设”为真情况下是个小概率事件。

       接下来，是整个试验最关键的一步，刻画当“原假设”为真时的N次结果的情况。先看下N=10时，结果的分布，如表2。

表2

10次里出现“大”的次数	0	1	2	3	4	5	6	7	8	9	10
对应概率	0.0010	0.0098	0.0440	0.1172	0.2051	0.2461	0.2051	0.1172	0.0440	0.0098	0.0010
积累概率	0.0010	0.0108	0.0548	0.1720	0.3771	0.6232	0.8283	0.9455	0.9895	0.9993	1
P值（双侧）	0.002	0.0216	0.1096	0.3440	0.7542	1	0.7542	0.3440	0.1096	0.0216	0.002

         注：因为保留到小数点后4位，所以概率计算会有10-4级数误差。

观察表2，10次里面出现1次或出现9次“大”的P值为0.0216 < α=0.05。所以观察10次骰子的结果，如果其中出现1次或1次以下，9次或9次以上“大”的情况时，可以认为这是小概率事件，在一次试验中不可能出现，所以可以拒绝“原假设”： 骰子出现大的概率为0.5，而接受“备则假设”： 骰子出现“大”的概率不为0.5。从而判断赌场有操纵行为。

你先要搞清检验统计量。拿最简单的t值为例。http://blog.sina.com.cn/s/blog_7f4704a20100scod.html
搞清了t值，就要看t函数图了，其为左右对称的正态分布图，文字很难说清楚。从函数最高点向x轴做垂线，能得到一个t值，自由度控制函数胖瘦，制高点的这个t值控制函数的左右位置，t=0（函数的中线）,说明样本来自总体，均数完全相等．t绝对值越接近于０，说明２均数差异越小．t绝对值越大图象越左（右）移动，与t=0时相交的面积也越小，那个相交面积就是P值，p值越小说明２个函数离的越远，越有理由认为两者不同．但你之前必须作出检验假设H0,和H1．只有作出假设才能建立模型计算t值，具体要学懂必须去看公式和微积分．

非常同意

每次看书觉得会，再看就又搞不懂了

这个问题据我来看，应该是这样。
小概率事件之所以是小概率，是因为在一次“实验”当中不太可能发生——可以从反面理解为：
如果进行了一次观测，观测到了一个具体(随机变量的)取值，则很可能 随机变量取这一具体值 不是小概率事件，从而有理由怀疑导致这一事件是小概率事件的假设(有理由怀疑原假设H0：当然从控制第一类犯错概率的角度讲我们倾向于保护H0)。这就是小概率事件原理——假设检验的基础之一

再说P值与假设检验。
一般而言是这样比较的，若P值小于检验水平alpha(小概率事件发生了)，则有理由怀疑原假设(拒绝)H0；
否则接受原假设H0其中原理大致是这样的：首先我们承认(假定)H0成立，再此假定之下，发生的事件(被观测到了)其发生的概率应该较大(可以对照Bayes的想法——存在即合理)；但是，如果在假定之下，随机事件发生的概率较小，此概率小到一定程度的时候，就可以认为是小概率事件。在一个观测(实验)当中，小概率事件发生了，这就使我们有理由怀疑实验假定有问题(从而拒绝H0)。

     但什么样的事件是小概率事件？通常我们指定一个阈值，称之为检验水平，记为alpha。凡是发生概率小于alpha的事件均视为小概率事件。

     具体到P值吗，比如检验统计量越小越有利于H0，则考虑当统计量观测值大到一定程度时怀疑H0，这个程度需要结合统计量的分布以及小概率事件阈值来确定(分位数或者拒绝域)。而P值可以反映统计量的取值是否落入拒绝域，就像前(u)边讨论的单正态总体、方差已知的均值检验，

拒绝域={abs(u)>z_(1-alpha/2)}

P值=Pr(abs(标注正态随机变量)>abs(u的实际观测值))，注意P值并不是随机变量取某个固定值的概率！！


在此例当中：
P值越小，距离0越远，越可能落入拒绝域，而当P值=alpha时正好在分位点上。P值越小， u的实际观测值(绝对值越大)越向两边移动，即落入拒绝域，此时我们有理由怀疑原假设。


有什么疑问我能帮助的,请电话联系! 还是说的比大字方便

我觉得古扎拉蒂的计量经济学基础里面讲的还可以，自己讲还不如看人家的书。
另外，是不能拒绝H0，不是接受H0

编辑过的帖子正在被审核,  总之一句话, P值反映的是检验统计量观测值是否落入拒绝域(之所以是“一片区域”的概率和，是源于拒绝域的形状)

另外，读一读 数理统计 的基础理论是最好的，我没读过 什么 古扎拉蒂，我只是个学统计的，词不达意，见谅！ 我还是信赖数学，虽然他并不像我想象的那么无懈可击！

可以这样理解，0.05是你可以承受的风险。P值是拒绝ho的风险，p值小于0.05说明拒绝Ho的风险小，所以我们reject Ho；反之，如果p值大于0.05，说明拒绝Ho的风险很大，所以fail to reject Ho。