【锚点1：p 值是尾概率，不是证据权重】p 只计算了 P(data|H0)（且只用“更极端”的尾巴），H1 从始至终没有出现。没有 H1，就谈不上“证据”。

用一个白米饭计算拆开看。设 σ=1，H0: μ=0，H1: μ~Normal(0,1)。取一个恰好 z=1.96、p=0.05 的均值：

n=1000 → xbar=0.062。H0 的预测密度是 1.85，H1 的预测密度是 0.40。贝叶斯因子 BF10=H1密度/H0密度≈0.22。 n=10000 → xbar=0.0196。H0 密度变成 5.84，H1 还是≈0.40。BF10≈0.07。

【锚点2：同一个“显著”，数据反而随 n 增加越来越支持 H0】

【流程节点链路】 起点【z=1.96, p=0.05】→ 节点1【样本量 n 变大，H0 的预测分布方差 σ²/n 被压窄】→ 节点2【H1 的宽先验把概率质量摊在整个数轴上，密度几乎不变】→ 节点3【证据强度是预测密度之比，不是尾概率】→ 终点【BF10 从 0.22 掉到 0.07】

【极难发现】的盲点不是 p 算错了，而是 p 问的是“H0 下有多罕见”，证据问的是“H1 相比 H0 有多会预测”——两个问题不同。

值得辩论的结尾：这个结论取决于 H1 的先验宽度。把 τ 从 1 换成 0.1，BF10 会完全不同。那么贝叶斯因子只是把 p 值的“样本量自由度”搬到了“先验自由度”吗？用预注册先验能解决，还是先验宽度必须来自科学理论、而非统计惯例？