如何看待统计学意义(p值)这个指标？
p值，也称显著性值或者Sig.值，用于描述某件事情发生的概率情况，其取值范围是0~1，不包括0和1，通常情况下，一般有三个判断标准一个是0.01、0.05以及0.1。在绝大多数情况下，如果p值小于0.01，则说明至少有99％的把握，如果p值小于0.05（且大于或等于0.01），则说明至少有95％的把握，如果p值小于0.1（且大于或等于0.05），则说明至少有90％的把握。
在统计语言表达上，如果p值小于0.01，则称作0.01水平显著，例如，研究人员分析X对Y是否存在影响关系时，如果X对应的p值为0.00（由于小数位精度要求，展示为0.00），则说明X对Y存在影响关系这件事至少有99％的把握，统计语言描述为X在0.01水平上呈现显著性。
如果P值小于0.05(且大于或等于0.01)，则称作在0.05水平上显著。例如，研究人员在研究不同性别人群的购买意愿是否有明显的差异时，如果对应的P值为0.01，则说明在0.05水平上呈现出显著性差异，即说明不同性别人群的购买意愿有着明显的差异，而且对此类差异至少有95%的把握。绝大多数研究希望P值小于0.05，即说明研究对象之间有影响、有关系或有差异等。但个别地方需要P值大于0.05，如方差齐性检验时需要P值大于0.05（此处P值大于0.05说明方差不相等）。
假设检验，我们可以把这个词分为“假设”和“检验”来看。
“假设”这个词带了不确定性，常说假设一个事情发生了就怎么样，就是这个事情可能发生，也可能不发生，所以我们从概率这里说起。
生活中很多事件发生看似是随机的、偶然的，比如你打麻将扔骰子，扔到1就是1，扔到6就是6，但实际上这个事件是服从一定概率分布的——均匀分布，扔到1~6这六个数的概率是一样的，都是六分之一。
均匀分布的特点就是事件的各种情况发生的概率是相等的。这种分布是很简单的。然后现在来说另外一种很常见很重要应用很广泛的分布——正态分布。
正态分布是一种随机变量是具有钟形概率分布的随机变量，许多变量的概率分布都服从正态分布。例如：某地区儿童的发育特征，身高。体重等。在同一条件下，产品的质量以平均质量为中心上下摆动，特别差或者特别好的都是少数，多数处于中间状态，正态分布是最重要的一种连续型分布，有着非常广泛的应用。
显著性水平是估计总体参数落在某一区间内，可能犯错误的概率，用α表示。显著性水平是假设检验中的一个概念，是指当原假设为正确时人们却把它拒绝了的概率或风险。它是公认的小概率事件的概率值，必须在每一次统计检验之前确定，通常取α=0.05或α=0.01。这表明，当作出接受原假设的决定时，其正确的可能性（概率）为95%或99%。
SPSSAU操作计算：
如果手工计算，需要计算出F值，最后查表，然后判断是否有显著性差异，最后得到结论，使用SPSSAU直接将分析项拖拽到分析框内（过程简单，这里不展示），最后得到F值为0.606，p值为0.613大于0.1，说明不同学历对产品满意度没有显著性差异。
统计学意义（p值）ZT结果的统计学意义是结果真实程度（能够代表总体）的一种估计方法。专业上，p值为结果可信程度的一个递减指标，p值越大，我们越不能认为样本中变量的关联是总体中各变量关联的可靠指标。p值是将观察结果认为有效即具有总体代表性的犯错概率。
通常，许多的科学领域中产生p值的结果≤0.05被认为是统计学意义的边界线，但是这显著性水平还包含了相当高的犯错可能性。结果0.05≥p>0.01被认为是具有统计学意义，而0.01≥p≥0.001被认为具有高度统计学意义。但要注意这种分类仅仅是研究基础上非正规的判断常规。
相关观念
为了将统计学应用到科学，工业以及社会问题上，我们由研究母体开始。这可能是一个国家的人民，石头中的水晶，或者是某家特定工厂所生产的商品。一个母体甚至可能由许多次同样的观察程序所组成；由这种资料收集所组成的母体我们称它叫时间序列。
推论统计学被用来将资料中的数据模型化，计算它的机率并且做出对于母体的推论。这个推论可能以对/错问题的答案所呈现（假设检定），对于数字特征量的估计（估计），对于未来观察的预测，关联性的预测（相关性），或是将关系模型化（回归）。其他的模型化技术包括变异数分析（ANOVA），时间序列，以及数据挖掘。
以上内容参考：百度百科-统计学