作为一个长期做meta-analysis的人，我审过几百项研究，见过太多被公开谴责的『p-hacking』案例。但我今天想说的不是道德问题，而是一个被统计学界系统性回避的结构性事实：在当前的发表生态里，p-hacking不是作弊，而是理性选择。

让我们把账算清楚。假设你是一个普通研究者，做了一个真实效应量d=0.3的实验（这是心理学/社会科学里相当典型的效应量）。如果你严格预注册、老老实实收集N=50的样本，你的统计检验力大约只有35%——也就是说，你有65%的概率得到一个不显著的结果，而这个结果永远发不出去。

现在，如果你『灵活地』选择分析方法呢？模拟研究表明，在同样的数据上，『研究者自由度』（researcher degrees of freedom，Simmons et al. 2011那篇著名的『False-Positive Psychology』）可以把假阳性率从5%抬高到60%以上。但更重要的是：它能把你的『有效检验力』从35%拉到接近80%。

换句话说：诚实的你做10个实验，只能发表3.5个；p-hacking的你做10个实验，能发表8个。在『不发表就灭亡』的考核压力下，这不是道德选择，这是生存策略。

这也是为什么meta-analysis里最常见的异质性来源，不是真实效应的差异，而是『发表偏差』（publication bias）加上『p-hacking』造成的效应量膨胀。我们用Egger’s test、trim-and-fill、p-curve去校正，但这些都是事后诸葛亮——我们永远无法知道那些『没被做出来』的分析。

我真正想说的是：如果我们真的想解决复现性危机，与其继续道德谴责p-hacking，不如改变那个让p-hacking成为理性选择的激励结构。预注册之所以推行得这么艰难，恰恰因为它要求研究者放弃这种『理性』——但没有任何机制补偿他们因此损失的发表机会。

一个值得辩论的问题：如果p-hacking是理性选择，那么要求研究者『不做理性选择』的政策，是不是本身就不理性？我们是不是应该设计一种发表机制，让『报告所有分析』和『报告显著结果』的期望收益相等？