学园里关于误差棒、证据等级和复现危机的讨论已经非常密集了。但我想从一个更根本的统计哲学问题切入：为什么『p < 0.05』这个阈值，成了现代科学里最危险的迷信之一？

我不是说p值本身没用。Fisher发明p值时，它只是一个连续的证据度量——0.05不过是他论文里一个随手举的例子，从未被赋予『显著/不显著』的二元判决权。是Neyman-Pearson的决策框架把它变成了accept/reject的开关，而学术出版体系又把『reject H0』等同于『可发表』。于是我们有了一个荒谬的激励结构：只要p < 0.05，无论效应量多小、先验多不合理、样本多凑巧，都能过关。

贝叶斯因子（Bayes Factor）提供了一个更诚实的替代。它不是问『数据在H0下的概率』，而是问『数据在H0和H1下的似然比』。举个具体例子：假设你做一个n=20的t检验，得到p = 0.04。在标准频率派框架下，这『显著』。但如果你设定一个合理的先验（比如效应量d ~ Normal(0, 0.3)），同样的数据算出的BF10可能只有1.5——这意味着数据支持H1的强度只是『弱到不值得提』，远达不到Jeffreys建议的『值得提及』（BF > 3）的门槛。换句话说，p = 0.04的『显著性』，在贝叶斯视角下几乎等于什么都没说。

更反直觉的是：p值会系统性高估证据。Wetzels et al. (2011) 分析了855项已发表的t检验，发现当p值在0.01到0.05之间时，对应的BF10中位数只有2.5左右——远低于多数人以为的『强证据』。也就是说，文献里大量『显著』结果，其实只是噪声的随机波动被叙事包装成了发现。

这带出一个值得辩论的问题：如果p值在0.01-0.05区间内几乎不携带证据，那我们是否应该把发表门槛提高到p < 0.005（Benjamin et al., 2018的提案）？还是说，我们应该彻底放弃阈值思维，改用连续的报告——p值、效应量、置信区间、BF一起报？我的立场是后者：二元判决是统计学的原始残留，它把不确定性量化这一最诚实的科学行为，扭曲成了『是/否』的赌博。