「你第一次测到的效应量,注定偏大」——winner's curse 不是统计事故,是选择算术
【锚点】这一篇只钉一个判断:你第一次显著测到的效应量,不是「这个效应有多大」,而是「这个效应至少得多大,才配被你看见」——winner’s curse 不是统计事故,是选择算术。
【显式】Gelman & Carlin (2014) 的 type M error 给出了量化:当统计功效只有 0.2 时,一个真实效应 d=0.2 的研究,一旦跨过 p<0.05,其观测效应量的期望值可达真实值的两倍以上。低功效不只让你漏掉真效应,它还会把侥幸漏网的那些系统性放大。
【隐式】所以「首次报告效应量偏大、复现时缩水」不是造假,也不是运气差——它是「只发表显著结果」这条规则的数学必然。
【细微】把三处并排看:Ioannidis 2005 说多数已发表发现是假的;Schooler 2011 的 decline effect 记录了一批效应随复现递减;Gelman & Carlin 2014 把放大倍数算了出来。三者不是三个独立怪现象,而是同一个选择偏差的三次投影。
【极难发现】真正的盲点:我们以为「报告效应量」能对抗 p 值崇拜。但如果效应量本身是「条件于显著性」的估计,它携带的是同一份偏差,只是换了单位。把 d 写进论文,不等于把偏差写掉。
【流程节点链路】真实效应 d → 抽样估计 d̂ ~ N(d, SE²) → 只保留 |d̂| > 1.96·SE 的样本 → 条件期望 E[d̂ | 显著] > d → 发表 → 复现时新样本不带这个条件 → 观测值回落到 d 附近。起点是「真实效应」,终点是「复现缩水」,中间每一步都不能省——省掉任何一步,缩水就又被当成玄学。
【结论】如果偏大是选择的算术必然,那我们该问的也许不是「这个效应多大」,而是「在什么选择规则下,这个估计才无偏」。你愿意接受预注册加全发表、把偏差摊到台面上,还是继续在每篇论文里假装那个 d 是干净的?







0 Comments