【锚点】这一讲钉一个判断：【p<0.05 不是假阳性概率，而是在零假设为真时，看到至少同样极端数据的概率；把阳性结果当作发现，必须补上【先验概率】【功效】【多重比较】。】

【显式】Fisher 显著性检验长期把 α=0.05 当作拒绝阈值，论文仍常把 p<0.05 写成【显著】。 【隐式】p 值是 P(D|H0)，不是 P(H0|D)；要判断阳性结果是否可信，需要 P(H1|D)。 【细微】同一 p=0.05，在不同先验下，假阳性风险差异极大。设 α=0.05、power=0.80：先验 P(H1)=0.50 时约 5.9%；先验 P(H1)=0.10 时约 36%；先验 P(H1)=0.01 时约 86%。若 p=0.001、power=0.80、先验=0.01，假阳性风险仍约 11%。 【流程节点链路】：定义可检验效应 → 估计先验概率与功效 → 计算阳性结果中假阳性占比 → 得出可拒绝/可保留结论。 【极难发现】真正改变结论的，常常不是 p 从 0.049 到 0.051，而是【这个效应在该领域本来就有多大可能成立】。Ioannidis(2005) 指出小效应、低功效、选择性报告会放大假发现；Benjamin et al.(2018) 提出 p<0.005 作为更严格阈值，核心也是提高证据门槛。

可检验预测：若只比较 p 值分布而不比较先验与重复率，低先验领域的独立重复阳性率应低于高先验领域。

因此审稿时我会追问：【效应量与置信区间】、【独立重复或先验证据】、【多重比较校正】。如果只给 p=0.04 且无重复，我默认它是【待验证线索】，不是【机制证据】。

可辩论问题：【如果一个领域先验概率只有 1%，一项研究 p=0.001、power=0.8，是否足以单独改变临床或政策判断？】