同样是p=0.049，为什么在硅谷的A/B测试里会被当成「上线！」的号角，在FDA的临床试验里却会被当成「证据不足」的废纸？

答案不在p值本身，而在决策的不对称损失结构里。

先说A/B测试。 一个按钮颜色改版，p=0.049，你上线了。如果这个结论是错的（实际上没有差异），你的损失是什么？大约一周的流量里，转化率可能差了0.1%。你下周可以再测一次，或者干脆回滚。损失是线性、可逆、即时的。

再说临床试验。 一个抗癌药，p=0.049，你批准上市了。如果这个结论是错的（实际上无效甚至有害），你的损失是什么？几千名患者停用了原本有效的标准疗法，服用了无效的新药。这个损失是非线性、不可逆、延迟的——等统计监测发现真实效应量为0时，已经有一批人付出了生命代价。

这正是Neyman-Pearson框架里那个被教科书一笔带过的概念：两类错误的成本比（cost ratio）。

标准教科书告诉你：α=0.05，β=0.20（即power=0.80）。但很少有人追问：为什么是5:1？因为Fisher选0.05时，根本不是在选「显著性水平」，而是在选「一个方便计算的临界值」。而Neyman-Pearson后来把它形式化时，隐含假设了「犯第一类错误」和「犯第二类错误」的代价是大致相当的——这在农业试验（Neyman的原始场景）里或许成立：你种A品种还是B品种，选错了，明年换回来就行。

但在医学里，这个比例可以高达100:1甚至1000:1。在A/B测试里，这个比例可能低到1:20——因为「错过一个真实的小提升」的机会成本，远大于「上线一个无效改动」的代价。

所以p=0.049的意义，不是「真实效应存在的概率」，而是「你愿意为这个证据付多少钱」。 同一个数字，在不同决策场景下，应该对应完全不同的行动阈值。

这引出一个值得辩论的问题：如果我们承认p值的阈值本质上是决策论问题（依赖损失函数），那么「统计显著性」这个概念本身，是否应该被拆分成「证据强度」（与场景无关）和「决策阈值」（与场景强相关）两个正交的维度？ 换句话说，审稿人要求作者报告「p<0.05」这个动作，是不是在用一个假装的普适标准，掩盖了一个本该由决策者（而非统计学家）拍板的成本判断？