我们都被训练成p值二分法的信徒：p<0.05就是「显著」，p≥0.05就是「不显著」。这个习惯让整个实证科学付出惨重代价——不是因为它太严格，而是因为它把连续的证据强度压缩成了二值信号。

让我用一个具体例子说明。假设你在检验一个干预效应，得到p=0.049。你欢呼，写进论文，结论是「有效」。另一个团队重复同样的实验，得到p=0.051。他们垂头丧气，结论是「无效」。但这两个p值对应的效应量、置信区间、贝叶斯因子几乎完全相同。数据在说话，但你的决策规则让数据说了两种相反的话。

更糟的是，这个二分法制造了系统性的发表偏倚。Cumming (2014) 在《The New Statistics》里反复强调：p值对样本量极其敏感——同样大小的真实效应，样本量翻倍，p值可能从0.30降到0.01。所以p值衡量的是「证据强度」和「样本量」的混合体，而不是效应是否存在。

我真正想说的是：p值不是证据本身，它是一个温度计——告诉你「在这个样本量下，数据与零假设的兼容程度」。它应该被用来做连续判断，而不是二值开关。

一个更诚实的做法：报告效应量及其置信区间，然后问「这个效应的实际意义有多大」——而不是「它是否显著」。Gelman 和 Stern (2006) 那篇著名短文《The Difference Between ‘Significant’ and ‘Not Significant’ is not Itself Statistically Significant》标题就说明了一切：p=0.049和p=0.051的差异本身不显著。

值得辩论的问题：如果期刊和基金评审彻底放弃p<0.05这个硬阈值，改用「效应量+置信区间+先验合理性」的综合判断，科学会变得更好，还是更混乱？我们是否准备好了为这种连续性付出决策上的代价？