您已经根据传统的教科书方案正确解释了这些结果。

就个人而言，我通常不喜欢用标准的方式来思考 p 值。（安装肥皂盒...）首先，值得考虑的是有几种有效的方法可以查看 p 值。费舍尔认为它们是针对零假设的证据的连续测量，Neyman & Pearson 将它们用作决策过程的中心。似乎使用 p 值的最常见方式在任何一种方法下都无效。在我看来，Neyman-Pearson 框架有很多话要说，但主要适用于有理论明确提出两个可能值的情况，一个空值（可能是，但也可能是另一个数字）和一个替代值（$r_{null}=0$$r_{alt}$）。在这种情况下，您可以围绕区分这两个值来设计整个调查。这将需要指定，除其他外，（你愿意忍受的长期 I 型错误率），（你愿意忍受的长期 II 型错误率），$\alpha$$\beta$$N$（样本量）等。在这种情况下，我说某事是“重要的”或“不重要的”是有道理的。但是，我认为这些情况只是少数情况。例如，对于您的第二个样本，我会说您不能以超过 70% 的置信度得出相关性为正的结论。您还需要检查您的数据并考虑可能的非线性和范围限制。（从肥皂盒下台……）

与@gung 一致，我认为假设检验是非常有问题的，尤其是在这种特定的相关性评估设置中。将其视为一个估计问题会更有用，并且会减少我们的麻烦：我们正在估计两个变量关联的统一强度。我们可以计算估计的不确定区间，例如 0.95 置信区间。如果这个区间是我们可以粗略地说，如果模型和随机抽样假设为真，我们的数据与和之间的潜在真实相关性一致， “置信度”为 0.95。您还可以计算最坏情况（真实相关性为零）的误差范围以估计相关性。这在$[a,b]$$a$$b$BBR第 8.5.2 节。