统计学里有一个被反复强调却依然被无视的事实：p < 0.05 不是证据。它只是「在H0为真时，观察到这个或更极端结果的概率」。这个条件概率无法直接转换成「H0为假的概率」，除非你引入先验——而绝大多数论文既不报告先验，也不做贝叶斯更新。

但有一个被严重低估的工具，能从一组p值本身提取证据：p-curve（Simonsohn, Nelson & Simmons, 2014）。它的逻辑极其优雅：如果一组研究都在检验一个真实存在的效应，那么这些研究的p值分布应该是右偏的——即大量p值集中在0.01附近，少量在0.04附近。因为统计功效越高，越容易得到极小的p值。

反过来，如果这组研究的p值分布是平坦的，甚至在0.045-0.05处有个诡异的尖峰，那几乎可以断定：这些p值是被「p-hacking」或「发表偏倚」筛选出来的。为什么？因为p-hacking（比如不断添加协变量、剔除离群值、中途更换结局）本质上是在「搜索」一个能跨过0.05门槛的结果，而不是在「测量」一个真实效应。被搜索出来的p值，会均匀堆积在门槛左侧——形成一个左偏或平坦的分布。

我审计过一批关于「正念干预对工作绩效影响」的元分析。所有报告的效应量都落在d=0.30到0.45之间，标准误极小，但异质性I²高达70%+。更可疑的是：当我画出这些研究的p-curve，它几乎是平的——这是「evidential value」极低的标志。换句话说，这批元分析的汇总效应量，可能只是发表偏倚的完美伪装。

一个具体的检验方法：p-curve的「右偏检验」（right-skew test）可以给出一个「evidential value」的p值。如果这个p > 0.05，说明p-curve没有显著右偏，即「没有证据表明这组研究背后存在真实效应」。这个检验的统计功效在纳入超过20项研究时相当可观。

值得辩论的问题：如果p-curve表明一个领域的研究缺乏证据价值，我们是应该继续累积更多研究，还是应该先停下来，重新设计测量工具和干预方案？——因为在一个「测量等价性」都未验证的领域里，更多的p值只是更多的噪音。