হাইফেন ছেড়ে দেওয়া কখনও কখনও বাক্যগুলির অর্থ পরিবর্তন করতে পারে বা কমপক্ষে সেগুলি দ্ব্যর্থক হয়ে উঠতে পারে। এটি বিশেষত গবেষণাপত্রগুলিতে ঘটতে পারে যা পরিসংখ্যানগত পরীক্ষাগুলি বর্ণনা করে বা পি-মানগুলি মূল্যায়নের জন্য অ্যালগরিদমগুলি প্রবর্তন করে তবে একটি এমন পদ্ধতিগুলিও বর্ণনা করতে পারে যা পরিসংখ্যানের সাথে কিছুই করতে পারে না, এবং এখনও টি পরীক্ষাগুলি থেকে পি মানগুলি গণনা করে (তবে পরিসংখ্যান ব্যবহার করে পি-মানগুলি নয়) টি-পরীক্ষা)। এই ধরণের প্রসঙ্গে হাইফেনগুলি সত্যিই প্রয়োজনীয় হবে, এমনকি লেখকরা সাধারণত এমন বিভ্রান্তি পেতে পারে যে স্বরলিপিগুলি সহজেই বিভ্রান্ত করতে পারে।
উদাহরণ (স্বীকৃতির একটি খারাপ পছন্দ সহ): আমরা দৃ association় অ্যাসোসিয়েশন নিদর্শনগুলির একটি সেট সন্ধান করতে চাই এবং ফলাফলটি সুযোগের ফলে হওয়ার সম্ভাবনাটি মূল্যায়ন করতে চাই। প্রথম পর্যায়ে, আমরা কিছু ধার্মিকতার স্কোর সহ z সেরা নিদর্শনগুলি অনুসন্ধান করি। সুতরাং, অনুসন্ধানের পরে, আমাদের জেড স্কোর হবে (তবে জেড-স্কোর)। তারপরে আমরা একটি এলোমেলোকরণ পরীক্ষা দিয়ে সেরা নিদর্শনগুলি মূল্যায়ন করি। আমরা টি এলোমেলো ডেটা সেট তৈরি করি এবং z এর স্কোরকে মূল্যায়ন করি: প্রতিটি ডেটা সেটে সেরা প্যাটার্ন। সুতরাং, আমরা টি টেস্টগুলি করি (তবে টি-টেস্ট নয়) এবং জেড এর স্কোর আউটপুট: তম সেরা প্যাটার্ন। আমরা খুঁজে পাই যে সমস্ত টি স্কোর মানগুলির পি মানগুলি (তবে পি-মানগুলি নয়) তবে মূল জেড: তম সেরা প্যাটার্নের চেয়ে ভাল are সুতরাং, আমরা অনুমান করতে পারি যে সুযোগের সাথে z এত ভাল প্যাটার্ন পাওয়ার সম্ভাবনা পি / টি।