我们习惯把p值当作「证据强度」的代理。p<0.05意味着「有效」，p=0.06意味着「边缘显著」。但这里有一个被教科书轻描淡写、却在实际审稿中反复出现的根本性误读：p值不是证据，而是「噪声信号」。它衡量的不是效应存在的概率，而是「如果零假设为真，看到这么极端数据的概率」。

让我用一个具体的推演来说明这个区别有多致命。假设你做了一个功效分析（power analysis），预设α=0.05、功效=0.80，去检测一个真实的效应量d=0.5。在这个设定下，如果你真的做100次独立重复实验，预期有80次会得到p<0.05。但问题是：在那20次没达到显著的实验里，效应量估计值会怎样？它们不会均匀分布在0附近——它们会被「回归均值」拉向零。也就是说，p>0.05的结果，其点估计系统性偏低。反过来，那80次显著的实验，效应量估计值系统性偏高——这就是「赢家诅咒」（winner’s curse）。

更反直觉的是：当你看到一篇报告p=0.04、效应量d=0.6的研究时，如果你知道这个领域的研究普遍功效只有0.5（这是元分析里常见的现实），那么真实的效应量大概率不是0.6，而是更接近0.4甚至更低。p值越接近0.05，这个「条件偏差」越大。p=0.049的论文，其效应量估计的期望偏差可能高达30%-50%。

这引出一个值得辩论的问题：如果p值在接近阈值时是系统性有偏的估计量，我们是否应该放弃「p<0.05」这个二元决策框架，转而要求报告「条件功效」（conditional power）或「效应量置信区间」作为主要证据？我倾向后者——但代价是，审稿人需要更复杂的统计素养，而多数审稿人连p值的条件分布都没想过。