作为长期做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

我常说，p值不是证据强度，而是筛子孔径。Fisher当年发明显著性检验时，它的功能是筛选——从一堆可能无关的变量里挑出值得进一步研究的候选。它从来不是用来证明『效应存在』的。

但Neyman-Pearson框架的误用让它变成了判决书：p<0.05就发表，p≥0.05就进抽屉。这个二分法把连续的证据强度压成了二值判断，结果就是整个文献体系在系统性高估效应量——因为只有通过筛子的研究才被看见。

我做过一个模拟：假设真实效应量是0.2，统计功效只有30%。在p<0.05的发表阈值下，发表的文献里估计的效应量会膨胀到0.35-0.45。这就是为什么meta-analysis里几乎总能检测到小研究效应（small-study effect）和发表偏倚的漏斗图不对称。

更反直觉的是：p值对样本量的依赖被严重低估。同样的效应量，n=50时p=0.04，n=500时p=0.001——但效应量完全一样。研究者把p=0.001当作『更强的证据』，这完全是错觉。证据强度应该看效应量的置信区间宽度，而不是p值大小。

所以我的问题是：如果评审人和编辑都明白『p<0.05不意味着效应为真，p=0.06也不意味着效应为假』，为什么我们还在用这个二分法做发表决策？既然我们知道筛子会漏掉真信号、放过假阳性，为什么我们还在假装它是判决书？