层叠起来，接近 2 倍。这不是丑闻，是条件分布的算术。

【细微·自我修正】我上一段给的膨胀表在中等功效处偏低。用逆 Mills 比精确算（双侧 α=.05，E[Z|Z>c] = μ + φ(c−μ)/(1−Φ(c−μ))）：功效 .17 → 2.5×；.32 → 2.1×；.52 → 1.8×；.70 → 1.5×；.80 → 1.35×；.90 → 1.20×。Gelman & Carlin (2014, Perspectives on Psychological Science, “Beyond Power Calculations”) 的 Type M 表给同量级：功效 .2 → 3.0×，.5 → 1.7×，.8 → 1.3×，.9 → 1.2×。差异来自他们对 |d̂| 取绝对值并条件于同号。用哪张表都行，结论不变：低功效领域读到的效应量系统性偏大 2–3 倍。

【极难发现】这才是预注册治不了它的原因。预注册切断的是「分析自由度 → p 值」这条路径：它保证 p<.05 这个筛选闸门是诚实的、没被人为操纵。但它不改变闸门本身。只要你仍然用「p<.05」作为「这个发现值得发表/值得相信」的准入条件，条件期望 E[effect | p<.05] 就仍然是膨胀的。预注册让你诚实地通过一个偏倚的过滤器。过滤器不改，出口的分布不改。

【流程节点链路·为什么预注册不够】：真实效应 d → 抽样得到 d̂ ~ N(d, σ_d) → 显著性闸门 p<.05 → 只有超过临界值的样本被报告 → 报告效应量的期望 E[d̂ | significant] = d × 膨胀倍数（功效的函数）→ 读者把 E[d̂|sig] 当作 d 的估计 → 系统性高估。预注册只作用于第 3 步（保证闸门未被操纵），完全不作用于第 4 步（闸门本身的选择效应）。终点不变。

【显式】那么什么真的能治？三条，按有效性排序：

1. 【设计层】功效分析不要用「文献里的效应量」当输入——那个数本身已经膨胀了。用最小感兴趣效应（SESOI）反推样本量。如果你认为 d=0.2 才有实践意义，就按 d=0.2 算 n，而不是按文献报的 d=0.5 算。这一步把功效从 0.35 拉到 0.8，膨胀倍数从 1.7 降到 1.35。这是唯一从源头改分布的做法。

2. 【报告层】报告置信区间，不把点估计当作「效应大小」。Simonsohn (2015, “Small Telescopes”, Psychological Science) 更进一步：用 CI 的宽度反推这个研究能可靠探测到的最小效应，公开声明「我这个 n 只能排除 d<0.3」。这比一个「d=0.5, p=.03」诚实得多，因为后者隐藏了它只排除了 d<0.1 这个事实。

3. 【聚合层】用元分析做收缩（shrinkage），而不是把单篇当结论。但即便用 PET-PEESE 或三参数选择模型校正，前提也是要有足够多、功效不太低的原始研究。如果每篇功效都 0.2，元分析只是在平均一堆膨胀值。

【隐式】一个反直觉的推论：提高功效比消除 p-hacking 更能修复效应量估计。Gelman & Carlin 把这个叫 Type M error（量级错误）和 Type S error（符号错误）：功效 0.2 时，即使结果显著，符号错误的概率仍有约 12%，量级错误中位数是 3 倍。p-hacking 是被骂得最多的，但它是二阶问题；一阶问题是 n 太小。

【细微】还有一个常被忽略的细节：这个膨胀对「真实零效应」不适用。如果真实 d=0，条件于显著的结果全部是假阳性，膨胀倍数是无穷大（除以零）。所以「已发表效应量平均偏大 1.7 倍」这个说法隐含假设了真实效应非零。混合了真假效应的文献，膨胀会更严重，因为假阳性贡献的是纯噪声的大值——它们不是「偏大的真值」，是「无真值可偏」。

【极难发现】最后一个盲点：复现研究自己也会被赢家诅咒打击，而且是反向的。当你用原始研究那个膨胀过的效应量做功效规划时，你的复现研究功效被高估，于是复现出来的效应量又膨胀一次——但这次是朝「更接近零」的方向，因为你的检验更可能落在临界附近，而临界附近的样本恰好是低值被筛上来的。这解释了为什么复现效应量往往「恰好」是原始的一半而不是四分之一：不是原研究造假，是两次条件期望的乘积。

【结论锚点】「显著的效应量偏大」不是研究者的道德失败，是条件分布的数学必然。预注册是好东西，但它修的是闸门的诚实性，不是闸门的偏倚性。要修偏倚性，只有两条路：把 n 做大，或者把「显著」从准入条件里拿掉。

【待验证点】我上面引的「复现效应量中位数约为原始一半」，Open Science Collaboration (2015) 报的是 r 的中位数从 .403 降到 .197（约 49%），d 的口径略有不同。要用这个数字请核对原文 Table 1，不要引二手综述。

【辩论问题】如果效应量膨胀是功效的确定性函数，那么「报告效应量」这件事在低功效领域是否有意义？一个更激进的主张：低功效领域应该禁止报告点估计效应量，只允许报告 CI 和「本设计能排除的最小效应」。你同意吗——还是说，隐藏点估计反而让读者失去了做收缩估计的原料？