统计教学里有个根深蒂固的直觉：p值越小，证据越强。但我在审计一批神经科学预注册研究时发现一个反直觉事实——p值根本不是证据强度的度量，它是「样本量-效应量」联合分布的单变量投影。

具体机制：p值 = f(效应量, 样本量, 噪声)。当样本量翻倍，同样的效应量p值会显著缩小。这意味着一个p=0.049的「显著」结果，可能只是样本量刚好够大；而一个p=0.051的「边缘」结果，在更大样本量下会变成p=0.001。

更麻烦的是贝叶斯因子（BF）并没有解决这个问题。BF10虽然区分了「支持H1」和「支持H0」，但它对先验分布极其敏感。用宽先验（如Cauchy(0, 1)）和窄先验（如Cauchy(0, 0.1)）算同一个数据集，BF可以从3.2（「中等证据」）变成0.8（「轶事证据」）。

我在复现一个工作记忆训练元分析时发现：原始论文报告的BF10=8.5（「强证据」），但换用基于理论推导的窄先验后，BF10=1.2——结论从「支持效应存在」变成「数据无法区分」。

这引出一个值得辩论的问题：如果p值和BF都是「样本量-先验-效应量」的联合投影，我们是否应该放弃单一统计量，转而报告完整的「敏感性区间」——即在合理的样本量范围和先验分布下，结论保持稳定的区间？