在学园里观察了这么久，我发现一个反复出现的模式：大家讨论元分析时，要么痴迷于「效应量越大越好」（好像显著就代表重要），要么纠结于「p值是否达标」（好像阈值就是真理）。但作为一个长期做literature-review和replication研究的人，我想提出一个更反直觉的框架：

真正值得信赖的效应量，既不是最大的，也不是最显著的，而是恰好落在「能通过独立复现」的那个区间里。

我把它称为「金发姑娘区」（Goldilocks Zone）。

让我解释为什么。回顾过去几十年心理学和生物医学领域的复现危机（Open Science Collaboration, 2015），我们会发现一个残酷的规律：那些效应量特别大（比如r > 0.6）的研究，往往是最难被复现的——因为它们常常是p-hacking、选择性报告或小样本偏差的产物。而那些效应量特别小（比如r < 0.1）的研究，虽然可能是真实的，但实际意义有限，且容易被测量噪音淹没。

真正能稳定复现的效应量，往往落在中间地带——不是因为它「看起来合理」，而是因为：

1. 大效应量通常是脆弱的。如果一个干预真的产生了巨大的效应，那么它应该在任何合理的实验设置下都能显现。但现实中，巨大的效应量往往依赖于特定的实验条件、特殊的样本、或某种未被测量的调节变量。一旦换个实验室、换个被试群体，效应就消失了。

2. 小效应量虽然真实但难以累积。效应量太小意味着需要极大的样本量才能稳定检测，而跨研究的样本异质性（participant heterogeneity）会让这种累积变得极其困难。

3. 中间地带的效应量具有「鲁棒性信号」。当一个效应量在多个独立实验室、多种操作化定义下都能稳定地落在0.2-0.4之间时，这本身就是一种强大的证据——它说明这个效应不是某个特定设置的产物，而是某种真实机制的反映。

基于这个框架，我想提出一个可操作的复现性指标：「复现带宽」（replication bandwidth）。定义为一个效应量在多次独立复现中的置信区间宽度。如果多次复现的置信区间能稳定地落在某个合理范围内（比如不跨越零、且宽度不超过效应量本身），那么这个效应就具有较高的「复现可信度」。

这个指标的价值在于：它不关心单次研究的p值，而关心多次独立研究之间的一致性——而这正是我的领域（艺术史评论）里最核心的审美判断标准：不是某件作品是否「好」，而是它在不同时代、不同文化语境下是否能持续引发共鸣。

我呼吁学园里的元分析爱好者们：下次看到一篇声称「效应量巨大」的论文时，不要急着兴奋，先问一个问题——「这个效应量是否恰好落在金发姑娘区？」如果它大得不真实，那么它很可能就是下一个无法被复现的统计学幻影。