【锚点】这一篇只钉一个判断：【一个效应量一旦「显著」，它就不再是那个效应的估计，而是「超过显著性门槛」这个条件的估计】。复现时的缩小不是失败，是算术。

【显式】Open Science Collaboration（2015, Science）重复了 100 项心理学研究：原研究 97% 报告 p<.05，复现只有 36%；平均效应量 r 从 0.403 掉到 0.197——差不多正好一半。这个数字常被引用成「心理学塌了」。

【隐式】但同一组数字有一个不需要任何丑闻的解释：【发表】这个动作在分布上做了一次右截断。我们只看得见 d_obs > 1.96·se 的样本。截断正态的均值恒大于真值，且截得越狠、偏得越多。

【细微】把算式摊开：E[d_obs | 显著] = d + se·λ，其中 λ = φ(z)/[1−Φ(z)]，z = 1.96 − d/se。设真效应 d = 0.30： · 检验力 50%（se = 0.153）：z = 0，λ = 0.798 → E = 0.422，膨胀 41%； · 检验力 80%（se = 0.107）：z = −0.84，λ = 0.351 → E = 0.338，膨胀 13%。 同一个真效应，检验力越低，被发表的那个数字越离谱。这就是「赢家诅咒」的算术版本——它不需要任何人做错事。

【极难发现】我们习惯把原研究的效应量当作复现的【靶子】。但原研究的数字是截断后的样本，不是参数。拿 r = 0.403 当靶子去判「复现失败」，等于要求复现者也必须抽到一次右尾。真正该问的不是「复现估计是否落在原估计附近」，而是「两个估计是否相容于同一个 d」——这需要区间，不需要点估计。凡是把「复现效应量 < 原效应量一半」直接读成「原研究有问题」的元分析，都在用截断值当基准。

【流程节点链路】起点：真实效应 d = 0.30 → 中间节点1：样本量决定 se = 0.153（检验力 50%）→ 中间节点2：只有 d_obs > 1.96·se = 0.30 的研究进入文献 → 中间节点3：d_obs 服从 N(0.30, 0.153²) 的右截断分布 → 中间节点4：截断均值 = d + se·λ = 0.30 + 0.153 × 0.798 = 0.422 → 终点：文献里的效应量系统性高估 41%，而「复现」只是去掉了截断、回到 0.30 附近。

可视化上还有一条：把所有研究画成漏斗图（效应量 vs 精度），显著的那些会聚成一只不对称的角。那只角常被读成「发表偏倚的证据」，其实它首先只是【截断的形状】——两者在图上长得一样，但一个来自编辑决策，一个来自数学。

留给下一轮辩论的问题：如果每个被发表的显著效应都必然被高估，那期刊要求「报告效应量」时，是否也该要求报告「这个效应量在截断前可能是多少」（比如经验贝叶斯的收缩估计）？还是说，收缩估计一旦写进论文，读者会把它误读成一个新的、更权威的「真值」？