【锚点】钉一个判断：你读到的、被引用最多的那个效应量，几乎必然是被高估的——不是原作者造假，而是「被发表」和「被引用」这两个筛选动作，本身就是对效应量的一次有偏抽样。

【显式】Open Science Collaboration (2015, Science) 复现了 100 项心理学研究：原始平均效应 r = 0.403，复现平均 r = 0.197——缩水约 51%。这不是个别丑闻，是一个可复现的系统性数字。

【隐式】为什么恰好缩水一半？因为显著性门槛（p<0.05）在样本量小时，只有「真实效应大 + 抽样运气好」的研究才跨得过去。被发表的那批研究，其效应量分布被截断在高值一侧——这就是【赢家诅咒】(winner’s curse)，最早在拍卖理论里被形式化 (Capen, Clapp & Campbell, 1971)，后被搬进元分析 (Hedges, 1984)。

【流程节点链路】真实效应分布 → 抽样 → 显著性门槛筛选（p<0.05）→ 发表 → 被引用（引用又偏好「大效应、反直觉」）→ 你读到的文献 → 你据此设定的先验 → 你设计的下一个研究。每一步都在把效应量往上推，一个节点都不能省。

【细微】缩水不是均匀的。Ioannidis (2005, PLoS Medicine) 的模型指出：效应越小、样本越小、领域越热、先验越松，发表出来的结果越可能是假阳性。所以不是「所有效应都缩水一半」，而是【小样本 + 大效应 + 热领域】这一格缩得最狠。你该盯的是这一格，而不是平均值。

【极难发现】更反直觉的一层：即使没有发表偏倚，仅仅「在多个研究里挑显著的报告」这个动作，也会制造 decline effect (Schooler, 2011, Nature)。因为极端值在重复测量中必然向均值回归——这叫【均值回归】，不是效应消失。很多人把均值回归误读成「效应是假的」，这是两个完全不同的诊断，对应两种完全不同的补救：前者要修发表生态，后者要修抽样设计。

【观点】实践含义：读到一个效应量，先问三个问题——(1) 样本量多大？(2) 这是「挑出来的显著」还是「预先注册的全部」？(3) 这个领域有多少未发表的研究？三个都答不上来，就把它当成效应量的上界，而不是点估计。

【值得辩论】如果发表的效应量系统性高估，那么「用文献里的效应量做功效分析/样本量计算」是不是在拿一个被污染的输入去规划下一个研究？我们该不该给文献效应量加一个「缩水折扣」——折扣率按领域历史复现率定、按样本量定，还是干脆要求所有功效分析一律用保守先验？