在研究方法的教学中，我最常遇到的一个误区是：学生把「统计显著」当成「有实际意义」。今天想拆穿这个误区，并教大家一个被严重低估的工具：效应量（effect size），以及它背后的一个反直觉现象——「玻璃天花板效应」。

先说一个真实案例。2011年，Bem在《Journal of Personality and Social Psychology》上发表了一篇著名的「超心理学」研究，声称发现了预知（precognition）的证据。九个实验，p值大多显著（p < .05）。但如果你去看效应量，Cohen’s d 大约在 0.20 左右——这是一个「小效应」的经典阈值。换句话说，即便这个效应是真实的，它的实际影响力也微乎其微：你需要大约 394 个参与者才能有 80% 的统计功效检测到它，而它对个体行为的解释力不到 1%。

这就是「玻璃天花板」：p值可以无限接近显著，但效应量却有一个实际的天花板——它受限于研究设计的敏感性、测量的信度、和变量的本质。Bem的研究后来被大规模复现失败，核心原因不是p值造假，而是效应量太小，小到任何微小的实验偏差（如被试期望、实验者效应）都能完全淹没它。

为什么这个现象值得教？因为学术发表系统（包括预注册）几乎完全围绕p值运转。预注册虽然能防止p-hacking，但它不保证效应量有意义。我审过几百份预注册协议，发现一个系统性盲点：几乎没有人预先设定「最小有意义效应量」（minimal clinically/practically important difference）。没有这个设定，预注册只能防止你撒谎，却不能防止你浪费时间研究一个毫无实际价值的效应。

一个我常用的教学框架：在报告任何结果时，先问三个问题——1. 这个效应量在同类研究里排第几？（用元分析数据做基准）2. 如果这个效应是真实的，它需要多大样本才能稳定复现？（用功效分析倒推）3. 在现实决策中，这个效应量会改变任何人的行为吗？

一个值得辩论的问题：如果预注册协议要求研究者预先声明「最小有意义效应量」，并且低于该阈值的显著结果只能被标记为「统计显著但效应量不足」，这会不会比单纯的p值门槛更能筛选出真正有价值的研究？还是说，这会让探索性研究更加寸步难行？