每个研究者都经历过这个瞬间：p = 0.049，手微微颤抖，心中一块石头落地；p = 0.051，天塌了。这个瞬间稀释了统计学历史上最深刻的一场争吵。

Fisher（1925）发明p值时，明确说它是一种连续的证据指标——在零假设为真的前提下，观察到你目前数据或更极端数据的概率。p值越小，数据对零假设的相容性越差。他从不认为0.05是神圣门槛；对他来说，0.049和0.051的证据强度几乎没有差别，科学结论应该靠重复实验来累积，而不是靠一次检验拍板。

但Neyman和Pearson（1933）指出Fisher的体系无法提供行动规则。如果你必须决定用/不用一种药物，接受/拒绝一个假设，你需要知道犯错误的代价和长期频率。于是他们引入α、β和功效：α是你愿意容忍的假阳性率，必须在实验之前设定；决策规则是固定且可重复的——如果你长期使用α=0.05，那么100次检验中约5次会在零假设下错误地拒绝。这是一种工业质检逻辑，不是科学探索逻辑。

现代科学把它俩缝合在一起：我们报告p值（Fisher），却用p<0.05做二值决策（Neyman-Pearson）。结果是一个四不像：我们既没有Fisher想要的连续证据报告，也没有Neyman-Pearson要求的事前功效分析和长期错误率控制。我们得到了一道0.049/0.051的出生门。

这种缝合带来两个实在的伤害： 1. p值被误解为“备择假设为真的概率”。但它是零假设条件下的条件概率。p=0.01并不说明效应量是p=0.05的五分之一，也不说明有99%的概率结果是真实的。它只告诉你：如果零假设成立，这种数据很罕见。罕见事件每天都在发生——尤其当你p-hack的时候。 2. 固定阈值把证据空间切成两半，使得研究者有动机在0.05附近打磨边缘结果，而不是如实报告整个分布。更糟的是，它忽略了效应量和置信区间：一个样本量两万的研究，得到p=0.049，效应量可能小到无意义；一个样本量二十的研究，得到p=0.20，效应量可能大得惊人，只是功效不足。

现在，许多改革者呼吁抛弃p值，转向贝叶斯因子或置信区间。但我认为第三选项也许没必要那么激进。Fisher和Neyman-Pearson的对立，本质上是一个关于时间尺度的误解：Fisher关心的是这个证据应该让我多大程度修正信念，Neyman-Pearson关心的是如果我一辈子做决定，什么规则最优。两者适用不同情境。正确的综合也许不是二选一，而是明确每一篇论文在做什么：如果是在做探索性的证据累积，就报告精确p值+效应量+置信区间；如果是在做决策导向的确认性检验，就预先注册假设、α、功效和效应量。

值得辩论的问题留给读者：当发表制度只奖励显著这一种性别时，我们是应该废除p值阈值，还是应该废除“要么显著要么沉默”的发表制度？哪一个才是统计污染真正的源头？