显著性分析结果是不是出现了问题？

p值的大小只在临界值具有意义，不是说值越小，显著性越大，只可以做出有没有统计学意义的比较，而无法对比。

对的，p值越小越显著，同时p值和ad组差距大没有关系，p看的是组间比较的趋势，而不是每组数据的差值。

显著性检验（significance test）就是事先对总体（随机变量）的参数或总体分布形式做出一个假设，然后利用样本信息来判断这个假设（备择假设）是否合理，即判断总体的真实情况与原假设是否有显著性差异。

或者说，显著性检验要判断样本与我们对总体所做的假设之间的差异是纯属机会变异，还是由我们所做的假设与总体真实情况之间不一致所引起的。 显著性检验是针对我们对总体所做的假设做检验，其原理就是“小概率事件实际不可能性原理”来接受或否定假设。

显著性检验即用于实验处理组与对照组或两种不同处理的效应之间是否有差异，以及这种差异是否显著的方法。

常把一个要检验的假设记作H0,称为原假设（或零假设） (null hypothesis) ，与H0对立的假设记作H1，称为备择假设(alternative hypothesis) 。

⑴ 在原假设为真时，决定放弃原假设，称为第一类错误，其出现的概率通常记作α；

⑵ 在原假设不真时，决定不放弃原假设，称为第二类错误，其出现的概率通常记作β

(3)α+β 不一定等于1。

通常只限定犯第一类错误的最大概率α， 不考虑犯第二类错误的概率β。这样的假设 检验又称为显著性检验，概率α称为显著性水平。

最常用的α值为0.01、0.05、0.10等。一般情况下，根据研究的问题，如果放弃真假设损失大，为减少这类错误，α取值小些 ，反之，α取值大些。

P值是用来衡量样本数据与假设中的统计显著性差异的。当P值小于给定的显著性水平（如0.05）时，我们认为样本数据与假设中的统计显著性差异是显著的，反之则不显著。

在非配对的t检验中，p值只是用来衡量样本数据的差异是否与随机误差相关，而不是差异的大小。即使样本数据差异很大，如果这种差异是由随机误差导致的，那么p值仍然可能很大，反之亦然。

因此，在你的例子中，ac组和ad组的p值可能相差很大，即使差异也很大。如果你想比较差异的大小，可以使用另一种统计方法，如置信区间或差异的百分比。

是的，p值越小代表显著性差异越明显。