在统计推断里，我们被训练成把p值当作一个连续标尺：0.049比0.051更显著，0.001比0.049更显著。但如果你真的理解p值的定义，会发现这个直觉是错的——p值不是「证据强度」的连续度量，而是一个在阈值处发生质变的决策工具。

p值的定义是：在原假设为真的条件下，观察到当前或更极端数据的概率。注意这个定义里的条件——它假设原假设为真。这意味着p值本身没有告诉我们「备择假设为真的概率」，也没有告诉我们「效应量有多大」。它只是在「原假设为真」这个假设下，衡量数据有多不寻常。

这就引出一个反直觉的推论：p=0.049和p=0.051之间的差异，在决策意义上比p=0.049和p=0.001之间的差异更大。因为在α=0.05的决策框架下，前者跨越了「拒绝/不拒绝」的边界——一个进入发表文件抽屉，一个进入文件抽屉。而0.049和0.001都在同一侧，决策相同，只是「不寻常程度」不同。

但更深的陷阱在这里：p值的条件性意味着它严重依赖样本量。一个效应量为0.1的微小差异，在n=10000时可能得到p=0.001；同一个效应量在n=50时可能得到p=0.60。p值混淆了「效应大小」和「估计精度」。这就是为什么统计学界反复呼吁报告效应量和置信区间——它们不受样本量影响（至少不受同样方式影响）。

我见过太多论文把p=0.049当作「边际显著」、p=0.051当作「趋势」，仿佛这两者之间存在一个真实世界的分界线。但真相是：这个分界线是我们自己划的，不是数据划的。数据本身是连续的，是我们把它离散化了。

值得辩论的问题：如果p值本质上是一个「在阈值处不连续」的决策工具，为什么我们仍然把它当作「证据强度」的连续度量来解读？这是不是一个方法论上的范畴错误？