Skip to main content

p-value In 2026

research
statistics
ทบทวนนิยามที่แท้จริงของ p-value
Published

29 ตุลาคม 2569

การวิเคราะห์ข้อมูลทางสถิติ เรามักจะตั้ง สมมติฐานหลัก (\(H_0\): Null Hypothesis) ขึ้นมาเป็น “หุ่นฟาง” ให้เราทดสอบเพื่อหาหลักฐานมาหักล้าง เช่น “ปุ๋ยสูตรใหม่ให้ผลผลิตไม่ต่างจากปุ๋ยสูตรเดิม” หรือ “สารสกัดไม่มีผลต่อการยับยั้งเชื้อ”

อย่างไรก็ตาม หนึ่งในประเด็นที่สร้างความสับสนและถูกตีความผิดพลาดมากที่สุดในประวัติศาสตร์สถิติก็คือ \(p\)-value

1. นิยาม \(p\)-value

Noteนิยามตามแถลงการณ์ของสมาคมสถิติอเมริกัน (ASA)

\(p\)-value คือ ความน่าจะเป็นที่จะได้ผลการทดลอง (หรือผลลัพธ์ที่มีความสุดโต่งยิ่งกว่า) ภายใต้เงื่อนไขที่สมมติว่า สมมติฐานหลัก (\(H_0\)) เป็นความจริงทุกประการ และไม่มีอคติใด ๆ ในกระบวนการเก็บรวบรวมข้อมูล

\(p\)-value ทำหน้าที่เป็น Measure of incompatibility ระหว่างข้อมูลที่สังเกตได้จริงกับโลกสมมติที่ \(H_0\) เป็นจริง:

  • เมื่อ \(p\)-value มีค่าสูง (เช่น \(p = 0.45\)):
    หากสมมติฐาน Null เป็นจริง (ปุ๋ยสองสูตรไม่ต่างกันเลย) แปลว่าผลต่างที่เราพบในกลุ่มตัวอย่างมีโอกาสเกิดขึ้น 45% โดยบังเอิญ (=ความปันผวน ความแปรปรวน และ เป็นธรรมชาติของตัวอย่าง) ซึ่ง ถูกมองว่าเป็นเรื่องปกติ ธรรมชาติ ธรรมดามาก เราจึง “ไม่ประหลาดใจ” และสรุปว่าข้อมูลในมือยังไม่มีหลักฐานเพียงพอที่จะปฏิเสธ \(H_0\)

  • เมื่อ \(p\)-value มีค่าน้อยมาก (เช่น \(p = 0.008\)):
    เมื่อ H0 ตัวอย่างจากปุ๋ยสองสูตรไม่ต่างกันจริง โอกาสที่จะสุ่มพบผลต่างของตัวอย่างที่ (H0:เป็นจริง) มีเพียง 0.8% เท่านั้น ซึ่งมีโอกาส น้อย ในโลกของ \(H_0\) เมื่อเป็นจริง และนำไปสู่ข้อสรุปว่าสมมติฐาน \(H_0\) น่าจะไม่เป็นจริง จึงปฏิเสธ \(H_0\)

2. ความเข้าใจผิดเกี่ยวกับ \(p\)-value

Warningสิ่งที่ \(p\)-value ไม่ได้บอก

  1. \(p\)-value ไม่ใช่โอกาสที่สมมติฐาน Null (\(H_0\)) จะเป็นจริง:
    เช่น หากได้ค่า \(p = 0.03\) ไม่สามารถเขียนว่า “มีโอกาส 3% ที่ยาจะไม่ได้ผล” หรือ “มีโอกาส 97% ที่ยาจะได้ผลจริง” เพราะ \(p\)-value คำนวณโดยล็อกไว้ตั้งแต่ต้นแล้วว่า \(H_0\) เป็นจริง ในทางคณิตศาสตร์คือ: \[P(\text{Data} \mid H_0) \neq P(H_0 \mid \text{Data})\]

  2. \(p\)-value ไม่ใช่โอกาสที่ผลการทดลองเกิดจากความบังเอิญเพียงอย่างเดียว (Random chance alone):
    แต่เป็นความน่าจะเป็นของชุดข้อมูลนี้ภายใต้แบบจำลองทางสถิติและเงื่อนไขที่ \(H_0\) เป็นจริงทั้งหมด

  3. \(p\)-value ไม่ได้บอก “ขนาด” หรือ “ความสำคัญ” ของผลลัพธ์:
    ค่า \(p = 0.0001\) ไม่ได้แปลว่ายาออกฤทธิ์แรงกว่า หรือมีความสำคัญต่อการรักษามากกว่าผลการทดลองที่ได้ \(p = 0.04\)

3. การใช้งานในปัจจุบัน

ในอดีต มักใช้เกณฑ์ \(\alpha = 0.05\) เป็นเส้นแบ่งขาว-ดำ (Bright-line rule) คือถ้าน้อยกว่า \(0.05\) ถือว่า “ค้นพบสิ่งสำคัญ” แต่ถ้าได้ \(0.052\) กลับถูกตีตราว่า “ล้มเหลว”

ปัจจุบัน มาตรฐานการวิจัยระดับสากล (ทั้งแถลงการณ์ของ ASA และแนวทางของวารสารชั้นนำอย่าง Nature, NEJM, และ APA) เน้นย้ำให้ แยกแยะระหว่าง “นัยสำคัญทางสถิติ” กับ “นัยสำคัญในทางปฏิบัติ”

ค่า \(p\)-value ขึ้นอยู่กับ 2 ปัจจัยหลักเสมอ:

  1. ขนาดของผลต่าง (Effect Size)
  2. ขนาดกลุ่มตัวอย่าง (Sample Size: \(n\))
สถานการณ์ นัยสำคัญทางสถิติ (\(p\)-value) คุณค่าในทางปฏิบัติ (Practical Significance)
กลุ่มตัวอย่างขนาดใหญ่มาก (\(n = 50,000\))
เช่น ยาลดน้ำหนักช่วยให้น้ำหนักลดลง \(0.1\) กิโลกรัมใน 1 ปี		 มีนัยสำคัญสูง (\(p < 0.001\))
(เพราะ \(n\) มหาศาลจนจับความต่างเล็กจิ๋วได้)		 แทบไม่มีความหมายในทางปฏิบัติ
(ลด \(0.1\) กก. ไม่คุ้มกับผลข้างเคียงหรือค่ายา)
กลุ่มตัวอย่างขนาดเล็ก (\(n = 8\) ต่อกลุ่ม)
เช่น สารสกัดลดอัตราการเป็นโรคพืชได้ \(35\%\) แต่แปรปรวนสูง		 ไม่มีนัยสำคัญ (\(p = 0.072\))
(เพราะ \(n\) น้อย ทำให้ Power ต่ำ)		 มีความสำคัญทางชีววิทยา/การเกษตรสูง
(มีแนวโน้มคุ้มค่าแก่การทดลองซ้ำขยายผล)

ดังนั้น ในการวิจัยยุคนี้ \(p\)-value เป็นเพียงด่านแรกที่ยืนยันว่าข้อมูลไม่ได้มาจากความแปรปรวนของการสุ่มตัวอย่าง แต่นักวิจัยต้องรายงาน ขนาดอิทธิพล (Effect Size) เช่น Cohen’s \(d\), Odds Ratio, \(R^2\) หรือค่าผลต่างเฉลี่ย ควบคู่กับ ช่วงความเชื่อมั่น (95% CI) เสมอ

4. มาตรฐานการรายงานผลทางสถิติ

4.1 รายงานค่าจริงเสมอ (Report Exact \(p\)-values)

หมดยุคของการรายงานเพียง \(p < 0.05\) หรือ \(p > 0.05\) หรือใส่เพียงเครื่องหมายดอกจัน (*) ในตารางโดยไม่ระบุตัวเลขจริง เพราะผู้อ่านและผู้ที่นำงานวิจัยไปทำสังเคราะห์ข้อมูลต่อ (Meta-analysis) จำเป็นต้องใช้ค่าสถิติที่แท้จริง

  • ทศนิยม 2 หรือ 3 ตำแหน่ง: รายงานทศนิยม 2 ตำแหน่งสำหรับค่าทั่วไป (เช่น \(p = 0.03\)) หรือ 3 ตำแหน่งเมื่อค่าน้อยกว่า \(0.01\) (เช่น \(p = 0.004\))
  • ห้ามเขียน \(p = 0.000\) เด็ดขาด: โปรแกรมอย่าง SPSS หรือ R อาจแสดงผลเป็น .000 จากการปัดเศษ แต่ตามหลักความน่าจะเป็น ค่า \(p\)-value ไม่มีทางเป็นศูนย์แท้จริง ให้รายงานเป็น \(p < 0.001\) แทนเสมอ
  • ธรรมเนียมการใส่เลขศูนย์หน้าจุดทศนิยม (Leading Zero):
    • APA Style (สังคมศาสตร์ / จิตวิทยา): ตัดเลข 0 หน้าจุดออก เพราะ \(p\)-value ไม่มีทางเกิน 1 เช่น \(p = .032\) หรือ \(p < .001\)
    • AMA / CSE / ICMJE Style (วิทยาศาสตร์การแพทย์ / ชีววิทยา / เกษตรศาสตร์): ใส่เลข 0 หน้าจุดตามปกติ เช่น \(p = 0.032\) หรือ \(p < 0.001\) เพื่อป้องกันความเข้าใจผิดจากการมองข้ามจุดทศนิยม

4.2 เปรียบเทียบตัวอย่างการเขียนรายงานผล

Note❌ แบบเดิม (ขาดรายละเอียดที่สำคัญ)

“กลุ่มที่ได้รับสารสกัดมีความสูงต้นมากกว่ากลุ่มควบคุมอย่างมีนัยสำคัญทางสถิติ (\(p < 0.05\))”

Tipแบบปัจจุบัน (รายงานครบถ้วนตามหลักสากล)

“กลุ่มที่ได้รับสารสกัดมีความสูงต้นเฉลี่ย (\(45.2 \pm 3.1\text{ cm}\)) มากกว่ากลุ่มควบคุม (\(38.0 \pm 2.9\text{ cm}\)) อย่างมีนัยสำคัญทางสถิติ โดยมีผลต่างค่าเฉลี่ยเท่ากับ \(7.2\text{ cm}\) (\(95\%\text{ CI: } [5.1, 9.3]\); \(t(58) = 6.84\), \(p < 0.001\), Cohen’s \(d = 1.77\))”

4.3 ข้อพึงระวังเมื่อ \(p > 0.05\)

Importantสองข้อห้ามสำคัญเมื่อผลไม่ถึงระดับนัยสำคัญ

  1. ห้ามเขียนว่า “เกือบมีนัยสำคัญ” (Marginally significant) หรือ “มีแนวโน้มเข้าใกล้นัยสำคัญ” (Trending toward significance):
    ให้รายงานตรงไปตรงมาว่า ไม่พบความแตกต่างอย่างมีนัยสำคัญทางสถิติ ส่วนแนวโน้มหรือทิศทางของข้อมูลให้นำไปอภิปรายในส่วน Discussion โดยอ้างอิงช่วงความเชื่อมั่น (95% CI) และประเด็นเรื่องขนาดตัวอย่างที่อาจเล็กเกินไป (Underpowered)

  2. ห้ามเขียนว่า “ทั้งสองกลุ่มไม่แตกต่างกัน” หรือ “ผลการทดลองเหมือนกัน”:
    การได้ค่า \(p = 0.25\) ไม่ใช่ข้อพิสูจน์ว่าทั้งสองสิ่งมีค่าเท่ากันเป๊ะ แต่แปลว่า “ข้อมูลในมือยังไม่มีหลักฐานมากพอที่จะยืนยันความต่าง” ดังคำกล่าวคลาสสิกทางสถิติที่ว่า:

    “Absence of evidence is not evidence of absence.”