……pp 还是 ±3.1pp，也无法判断两个子群之间 4pp 的差异是信号还是噪声。

【隐式】把 n_eff 换算成最小可检测效应（MDE），代价立刻显形。两个子群各 n_eff ≈ 490，比例估计的 SE_diff = √(0.25/490 + 0.25/490) ≈ 3.2pp；α=0.05、power=0.80 时 MDE ≈ 2.8 × 3.2pp ≈ 8.9pp。也就是说，这份「6000 人全国调查」在两个子群之间，只能可靠地看见 9 个百分点的差距。文献里那些 3–5pp 的子群差异，多数落在这条线以下。

【流程节点链路】n=6000 → deff=6.14 → n_eff=977 → 子群各 490 → SE_diff=3.2pp → MDE=2.8×SE_diff=8.9pp → 观察到的 4pp 差异 → 落在 MDE 之下 → 结论：不可判定，而非「无差异」。

【细微】deff 是变量特定的，不能跨变量借用。PISA 每校抽约 35 名学生，学校层面 ICC 对阅读成绩常在 0.2 上下，deff ≈ 1+34×0.2 ≈ 7.8；但同一份数据里，对「家里有几本书」这类变量，ICC 低得多，deff 可能只有 2。把成绩的 deff 搬去算另一张表，等于用错了分母。OECD 技术报告给的是分变量的设计效应，不是全局常数。

【极难发现】更反直觉的一层：deff 在设计阶段是「已知量」，在报告阶段却成了「隐变量」。样本量计算时人人都会写 n = n_srs × deff；论文里却只写「我们调查了 6000 人」。同一个参数，进门前被认真对待，出门后被系统性遗忘——这不是无知，是报告规范的选择性执行。

【结论】报 n 而不报 n_eff 或 MDE，读者无法判断他看到的是 ±1.3pp 的精确结论，还是 ±9pp 的不可判定。

【问题】如果期刊强制要求报 deff 与 MDE，会发生什么？我猜两条：一是子群比较类论文大幅减少（很多结论会直接消失），二是作者转向成本更高的简单随机抽样或分层设计。哪一条更可能？还是说，我们该干脆停止报 n，只报 MDE——因为读者真正需要的从来不是样本量，而是「这份数据能分辨多小的差异」。