p-value เป็นคำถามแรก ๆ ที่เจอเมื่อเปิดผลวิเคราะห์จาก SPSS, R หรือ JASP บทความนี้พาเข้าใจตั้งแต่นิยามที่ถูกต้อง วิธีอ่านค่า ความหมายของนัยสำคัญ 0.05 กับดักการตีความที่กรรมการชอบจับ และวิธีรายงานแบบ APA 7
p-value คืออะไร: นิยามที่ถูกต้อง
ในการทดสอบสมมติฐานแบบ NHST ค่า p-value คือ “ความน่าจะเป็นที่จะได้ผลสุดโต่งเท่ากับหรือมากกว่าที่สังเกตได้จริง ภายใต้เงื่อนไขว่าสมมติฐานว่าง (H₀) เป็นจริง” พูดง่าย ๆ คือ ถ้าสมมติว่า “ไม่มีความแตกต่าง” จริง โอกาสที่บังเอิญสุ่มได้ผลแรงเท่าที่เห็น (หรือแรงกว่า) มีแค่ไหน
หัวใจที่ต้องจำคือ ค่านี้คำนวณบนสมมติฐานว่าง จึง ไม่ใช่ “ความน่าจะเป็นที่สมมติฐานของเราถูก” และ ไม่ใช่ “ความน่าจะเป็นที่ผลเกิดจากความบังเอิญ” จุดนี้เองที่สมาคมสถิติอเมริกัน (ASA Statement on p-values, 2016) ออกแถลงการณ์เตือนวงการวิจัยโดยเฉพาะ ค่า p อยู่ระหว่าง 0–1 เสมอ และเป็นสเกลต่อเนื่อง ไม่ใช่ “ผ่าน/ไม่ผ่าน” แบบขาวดำ
ค่า p คำนวณมาอย่างไร
กระบวนการมีสามส่วน: กำหนด H₀ และ H₁ → คำนวณค่าสถิติทดสอบ (t, F, z หรือ χ²) จากข้อมูล → เทียบกับการแจกแจงทางทฤษฎีที่ควรเป็นถ้า H₀ จริง พื้นที่ใต้โค้งที่ “สุดโต่งกว่า” ค่าที่คำนวณได้นั่นเองคือค่า p ข้อควรรู้: ค่านี้ขึ้นกับทั้งขนาดความแตกต่างและขนาดกลุ่มตัวอย่าง ตัวอย่างใหญ่ขึ้นมักทำให้ค่า p เล็กลงแม้ความต่างจริงเท่าเดิม จึงไม่ควรดูค่า p โดดเดี่ยว
ค่า p อ่านค่ายังไงให้ถูกหลัก
เปรียบเทียบค่า p กับระดับนัยสำคัญ (α) ที่กำหนด ไว้ล่วงหน้า สังคมศาสตร์นิยม α = 0.05 บางสาขาใช้ 0.01 โดย α ต้องกำหนดก่อนเห็นผลเสมอ
| ช่วงค่า p | การตีความ (α = 0.05) | น้ำหนักหลักฐานต่อ H₀ |
|---|---|---|
| p > 0.05 | ไม่มีนัยสำคัญทางสถิติ | ยังปฏิเสธ H₀ ไม่ได้ |
| p ≤ 0.05 | มีนัยสำคัญทางสถิติ | หลักฐานพอสมควร |
| p ≤ 0.01 | มีนัยสำคัญสูง | หลักฐานค่อนข้างหนักแน่น |
| p ≤ 0.001 | มีนัยสำคัญสูงมาก | หลักฐานหนักแน่นมาก |
สำคัญ: p > 0.05 แปลว่า “ยังไม่มีหลักฐานพอจะปฏิเสธ H₀” ไม่ใช่ “ยอมรับว่า H₀ จริง”
นัยสำคัญ 0.05 มาจากไหน
เกณฑ์ 0.05 ไม่ใช่กฎธรรมชาติ แต่มาจากข้อเสนอของ Ronald A. Fisher ว่าโอกาส 1 ใน 20 เป็นเส้นแบ่งที่ “สะดวก” จึงกลายเป็นธรรมเนียม แต่ p = 0.049 ไม่ได้ดีกว่า p = 0.051 อย่างมีนัยเชิงเนื้อหา ควรกำหนด α ให้เหมาะกับบริบทของศาสตร์และความเสี่ยง และระบุไว้ในบทที่ 3 (ระเบียบวิธีวิจัย)ก่อนเก็บข้อมูล
ทดสอบทางเดียว (one-tailed) vs สองทาง (two-tailed)
สองทางใช้เมื่อสนใจความต่างทิศทางใดก็ได้ (“A กับ B ต่างกัน”) ทางเดียวใช้เมื่อมีทิศทางชัดจากทฤษฎี (“A ดีกว่า B”) ข้อควรระวัง: ทางเดียวให้ค่า p เล็กกว่าที่ข้อมูลชุดเดียวกัน ต้องเลือกประเภทก่อนเก็บข้อมูลและมีเหตุผลรองรับ ห้ามเปลี่ยนมาทางเดียวทีหลังเพื่อให้ผ่าน 0.05 สังคมศาสตร์นิยมสองทางเป็นค่าตั้งต้น
ค่า p กับ Type I, Type II error และ Power
| สถานการณ์ | H₀ เป็นจริง | H₀ เป็นเท็จ |
|---|---|---|
| ปฏิเสธ H₀ | Type I error (α) | ตัดสินใจถูก (Power = 1−β) |
| ไม่ปฏิเสธ H₀ | ตัดสินใจถูก (1−α) | Type II error (β) |
Type I error = ปฏิเสธ H₀ ทั้งที่จริง (ตื่นตูมว่ามีผลทั้งที่ไม่มี) · Type II error = พลาดผลที่มีจริง · Power (อำนาจทดสอบ) ควร ≥ 0.80 ซึ่งสัมพันธ์กับขนาดกลุ่มตัวอย่าง การวางแผนขนาดตัวอย่างล่วงหน้าช่วยลด Type II error
5 ความเข้าใจผิดที่พบบ่อย
- p = 0.05 ❌ ไม่ได้แปลว่า “ผลถูกต้อง 95%”
- p ไม่ใช่ “โอกาสที่ผลเกิดจากความบังเอิญ”
- p > 0.05 ❌ ไม่ได้แปลว่า “พิสูจน์ว่าไม่มีผล”
- p เล็ก ❌ ไม่ได้แปลว่า “ผลสำคัญเชิงปฏิบัติ” (ต้องดู effect size)
- p = .049 กับ .051 แทบไม่ต่างกันในเชิงหลักฐาน อย่าตัดขาว–ดำ
ตัวอย่างการแปลผลในงานวิจัยจริง
สมมติเปรียบเทียบคะแนนเฉลี่ยหลังเรียน 2 กลุ่มด้วย Independent t-test ตั้ง α = 0.05:
- กรณี 1: t(58) = 2.45, p = .017 → p < 0.05 ปฏิเสธ H₀ สองกลุ่มต่างกันอย่างมีนัยสำคัญ (แต่ต้องดู effect size ต่อ)
- กรณี 2: t(58) = 1.20, p = .235 → p > 0.05 ยังปฏิเสธ H₀ ไม่ได้ สรุปได้แค่ “ยังไม่พบหลักฐานพอ”
- กรณี 3: p = .049 vs .051 → เชิงหลักฐานแทบไม่ต่าง อย่าตีความว่าตัวหนึ่งมีผลอีกตัวไม่มี
ค่า p, effect size และช่วงเชื่อมั่น: ต้องรายงานคู่กัน
- ค่า p → ผลที่พบ “เข้ากันได้กับความบังเอิญ” หรือไม่
- effect size (Cohen’s d, η², r) → ผล “ใหญ่/สำคัญ” แค่ไหน (d≈0.2 เล็ก, 0.5 กลาง, 0.8 ใหญ่)
- confidence interval → ค่าจริงในประชากรน่าจะอยู่ช่วงใด (ไม่คร่อมศูนย์ = มีนัยสำคัญ)
ตัวอย่างใหญ่มากอาจทำให้ความต่างเล็กน้อยได้ค่า p เล็กจนมีนัยสำคัญ การพึ่ง p เดี่ยว ๆ จึงอาจสรุปเกินจริง รายงาน effect size + CI ควบคู่เสมอ
การรายงาน ค่า p แบบ APA 7
- รายงานค่า p เป็นทศนิยม 2–3 ตำแหน่ง เช่น p = .032 (ไม่ใส่ 0 หน้าจุด เพราะ p ไม่เกิน 1)
- ถ้าน้อยกว่า .001 เขียน p < .001 แทน p = .000
- เขียน p เป็นตัวเอน รายงานค่าสถิติทดสอบ + degrees of freedom ก่อน
- รายงาน effect size ควบคู่ทุกครั้งที่ทำได้ (ดูคู่มือ APA 7)
คำถามที่พบบ่อย (FAQ)
- ค่า p 0.05 หมายความว่าผลถูกต้อง 95% ใช่ไหม
- ไม่ใช่ p = 0.05 หมายความว่า ถ้าสมมติฐานว่างเป็นจริง โอกาสได้ผลแรงเท่านี้หรือมากกว่ามีเพียง 5% ไม่ได้บอกว่าสมมติฐานของเราถูก 95%
- ถ้า p มากกว่า 0.05 แปลว่างานวิจัยล้มเหลวหรือเปล่า
- ไม่เลย ผลที่ไม่มีนัยสำคัญก็มีคุณค่า มันบอกว่าหลักฐานยังไม่พอปฏิเสธ H₀ อาจเพราะตัวอย่างเล็กไป การรายงานตามจริงคือจริยธรรมวิจัยที่ดี
- ควรใช้ α เท่าไร
- ขึ้นกับศาสตร์และความเสี่ยง สังคมศาสตร์มัก 0.05 การแพทย์บางสาขา 0.01 ถ้าทดสอบหลายสมมติฐานพร้อมกันอาจต้องปรับเข้ม (เช่น Bonferroni) และต้องกำหนดก่อนเก็บข้อมูล
- ทำไมโปรแกรมแสดง p = .000 รายงานแบบนี้ได้ไหม
- ไม่ควร เพราะค่า p ไม่มีทางเท่าศูนย์จริง ค่า .000 หมายถึงเล็กกว่า .001 ตาม APA 7 ให้เขียน p < .001
- ค่า p ใช้กับงานวิจัยเชิงคุณภาพได้ไหม
- โดยทั่วไปไม่ได้ เพราะเป็นเครื่องมือของสถิติเชิงปริมาณ งานเชิงคุณภาพใช้เกณฑ์คนละชุด เช่น ความน่าเชื่อถือ การถ่ายโอนได้ และการตรวจสอบสามเส้า