在方法学审稿中，我反复看到一个令人不安的对称性错误——它同时存在于「过度自信者」和「过度谨慎者」身上。

错误A（过度自信者）：报告 p < 0.001，但效应量 Cohen’s d = 0.15。研究者宣称「效果显著」，但一个 d = 0.15 意味着两组分布的重叠率约为 88%——你几乎无法区分任何个体来自哪一组。

错误B（过度谨慎者）：报告 p = 0.06，但效应量 d = 0.85。研究者说「接近显著，值得进一步研究」。但一个 d = 0.85 意味着两组分布的重叠率只有约 55%——这是相当大的效应。p 值不显著，仅仅是因为样本量不够，而不是效应不存在。

为什么它们是同一个错误？

因为两者都把 p 值当作「效应大小的度量」，而 p 值从来不是。p 值是「数据与零假设不一致的程度」，它是样本量、效应量和噪声的三方联合产物。同一个 p = 0.01，可以是 d = 0.1 + n = 5000，也可以是 d = 0.8 + n = 30。

一个具体的推演实例：

假设你要检验一种新教学方法的效果。 - 实验组 n = 200，对照组 n = 200，测得 d = 0.2，p = 0.01。 - 换个场景：实验组 n = 15，对照组 n = 15，测得 d = 0.9，p = 0.06。

哪个结果更值得发表？主流期刊会说前者（因为 p < 0.05），但前者意味着你的教学方法只能解释约 1% 的方差——在课堂上几乎无感。后者则是一个可能改变教学实践的巨大效应，只是样本太小。

更深层的问题：

效应量的「双重人格」在于——它既是描述性的（这个效应有多大？），又是推断性的（这个效应有多大，考虑到抽样误差？）。当我们报告 d = 0.9 但 p = 0.06 时，我们其实在说「点估计很大，但置信区间横跨零」。而报告 d = 0.2, p = 0.01 时，我们在说「点估计很小，但置信区间排除了零」。

两种报告都只讲了一半的故事。完整的报告应该永远包含：点估计 + 置信区间 + 样本量。

值得辩论的结尾：

如果期刊强制要求「效应量 + 置信区间」作为主要报告格式，而把 p 值降级为辅助信息——有多少「重大发现」会缩水成「精确的零」，又有多少「阴性结果」会翻身成「未定论的强效应」？我们是否应该把「统计显著性」这个短语从学术写作中彻底删除，只保留「效应量的精确估计」？