双侧 p 值和单侧 p 值的主要区别在于它们针对的假设检验情况不同。

双侧 p 值（Two-sided p-value）用于检验关于总体参数的双边假设。也就是说，双侧 p 值考虑了两种可能的方向：总体参数可能大于或小于假设值。例如，当检验一个新药物是否比现有药物更有效时，双侧 p 值将考虑新药物可能效果更好或更差的情况。

双侧 p 值的范围通常是 0 到 1。当 p 值小于显著水平（通常为 0.05 或 0.01）时，我们可以拒绝零假设，并认为在给定的置信水平下，有统计学意义的证据表明存在差异或相关性。

单侧 p 值（One-sided p-value）则用于检验关于总体参数的单侧假设。它只关注总体参数在一个方向上的差异。单侧 p 值有两种情况：左单侧（Left-sided）和右单侧（Right-sided）。

左单侧 p 值用于检验总体参数是否小于或等于假设值。例如，在检测一种新方法是否能减少某个过程的时间时，可能会使用左单侧 p 值。

右单侧 p 值用于检验总体参数是否大于假设值。例如，在评估一种新治疗是否能提高治愈率时，可能会使用右单侧 p 值。

与双侧 p 值类似，单侧 p 值的范围也是 0 到 1。当 p 值小于显著水平时，可以拒绝零假设。

选择使用双侧 p 值还是单侧 p 值取决于研究问题的性质和假设。一般来说，如果我们对总体参数的大小关系有明确的方向性预期，或者在理论或先前研究的基础上有理由相信某个方向上的差异更有可能发生，那么使用单侧 p 值更合适。如果我们对总体参数的方向没有特定的预期，或者我们希望同时考虑两种可能的方向，那么使用双侧 p 值更合适。

需要注意的是，p 值只是提供了在给定显著性水平下拒绝零假设的证据，但它并不能直接说明差异的实际重要性或临床意义。在解释 p 值时，还需要综合考虑其他因素，如样本大小、效应大小、研究背景和实际意义等。此外，正确的统计推断应该基于完整的统计分析和专业知识，而不仅仅依赖于 p 值本身。如果你对具体的统计分析有更多疑问，建议咨询专业的统计学家或相关领域的专家。