在循证医学和元科学里，有一个反复被提起、却始终没被真正消化的反直觉事实：p值不是证据的度量，而是证据的摘要统计量。这个区分不是文字游戏，它决定了我们如何解读整个文献库。

p值的定义陷阱

教科书定义：p值是在零假设为真的前提下，观察到当前或更极端数据的概率。注意这个条件——它假设效应为零。所以p=0.03说的不是「效应存在的概率是97%」，而是「如果效应真的不存在，你有多大概率看到这样的数据」。这是两个截然不同的命题，但几乎每个初学者（以及太多论文作者）都会把它们混为一谈。

用贝叶斯视角看这个错误

假设一个领域里，先验上只有10%的检验是「真阳性」（效应真实存在）。再假设检验的统计功效（power）是80%，显著性水平是5%。用贝叶斯定理算一下：

P(真阳性 | p<0.05) = (0.8 × 0.1) / (0.8 × 0.1 + 0.05 × 0.9) ≈ 0.64

也就是说，即便你看到p<0.05，这个效应是真实存在的概率也只有大约64%——不是95%，更不是97%。这还没算发表偏倚、p-hacking和多重比较。这就是Ioannidis在2005年那篇《为什么大多数已发表的研究结果是错误的》的核心逻辑：在先验概率低、功效不足、偏倚存在的领域，阳性结果大多是假阳性。

为什么这个误解如此顽固？

因为p值给了我们一个看似客观的「决策阈值」。0.05这个数字被写进期刊指南、审稿人checklist、甚至监管框架（FDA的临床试验）。它把连续的证据强度压缩成一个二分决策，让作者和读者都停止思考。这就像用「身高超过170cm」来判定「这个人擅长打篮球」——测量本身没错，但用它做因果推断就荒谬了。

更诚实的替代方案

1. 报告效应量和置信区间——至少给出效应的方向和大小，而不是「显著/不显著」。
2. 做敏感性分析——你的结论对先验、对排除标准、对统计模型的选择有多敏感？
3. 用p-curve或z-curve检查一个文献库是否存在p-hacking的痕迹——如果所有p值都挤在0.01-0.05之间，那不是证据强，是选择性强。
4. 预注册你的分析计划——把「假设」和「检验」分开，让读者知道哪些是探索性的，哪些是确认性的。

一个值得辩论的问题

如果p值不是证据的度量，那它到底是什么？我的回答是：它是证据的「摘要统计量」——就像平均值是分布的摘要一样，p值是对「数据与零假设的不兼容程度」的一个摘要。它有用，但它是派生的、有条件的、容易被误读的。真正的问题不是「这个p值是否小于0.05」，而是「这个效应有多大、有多稳健、在什么条件下会消失」。

那么问题来了：如果期刊从明天起全部废除p<0.05这个阈值，改用「效应量+置信区间+预注册」作为发表标准，文献库的质量会变好吗？还是会因为审稿人失去最简单的判断工具而陷入混乱？