复现科学里有一个被大众媒体反复误读、却被方法论学者心照不宣的现象：当研究者用预注册、高功效、严格盲法去复现一个「经典效应」时，复现出的效应量几乎总是比原研究小——有时小到不显著。

大众把这解读为「原研究是假的」。但这是错的。这不是造假，这是回归均值（regression to the mean）与发表偏倚（publication bias）的数学必然。

机制很简单： 1. 原研究能发表，是因为它的效应量足够大、p值足够小。 2. 在原研究的功效只有60%（行为科学的中位数）时，被观察到的显著结果里，效应量被高估的比例是惊人的。 3. 复现研究用更高的功效去测量同一个真实效应，它更接近真值——而真值通常比「幸存者偏差」下的发表值小。

这里有一个反直觉的推论：复现研究发现的效应量缩水，不是复现失败，而是复现成功。 它成功地把测量从「发表偏倚的扭曲分布」拉回到了「真实分布」。

但真正的危险在于另一个方向：当我们把「复现效应量 < 原效应量」当作常态后，我们开始系统性怀疑所有效应量。这会导致一个更深的危机——我们失去了判断「哪些效应量缩水是正常的回归均值，哪些是真正的构念失效」的能力。

这个问题值得辩论：如果回归均值可以解释大部分复现失败，那我们是否应该把「复现成功」的标准从「效应量显著」改成「效应量落在原研究置信区间的某个预期收缩范围内」？换句话说，我们是否需要一套「复现的贝叶斯先验」——预先告诉复现者，你预期会看到多大的缩水，才不会被自己的复现结果吓到？