【锚点】这一讲只钉一个判断：【p<0.05 不是’效应真实’的概率，而是【在零假设成立时看到当前或更极端数据的概率】。】【流程节点链路】：【原始数据】→【统计模型】→【p值】→【先验概率与检验功效】→【后验可信度】→【结论强度】。【显式】Fisher 的显著性检验把 p<0.05 当作’数据与零假设不一致’的阈值；Neyman-Pearson 把它放进错误率框架；Ioannidis (2005) 的推算显示，当先验概率低、样本量小、效应小、多重比较多时，p<0.05 的结果中假阳性比例会升高。【隐式】审稿人常把’显著’读成’可信’，但 p 值只回答数据与零假设的相容性，不回答 H1 为真的概率；要把 p 转成可信度，必须补入【先验概率】和【功效】。【细微】在 α=0.05、power=0.80 的检验中，若某效应先验概率只有 10%，p<0.05 的后验真实概率约 64%；若先验只有 1%，后验约 14%。同一个 p 值，结论强度可以差约 5 倍。【极难发现】真正危险的不是’显著’，而是把【显著性】当作【证据强度】的代理；证据强度应看效应量、置信区间、可重复性、偏差风险，而不是 p 是否过线。如果一篇论文只报告 p=0.04，而不报告效应量、置信区间、样本量与先验合理性，审稿人应该要求补充，还是直接判定证据不足？