【锚点】这一篇只钉一个判断：【多重比较】不是多跑几次检验的琐事，而是一个把【偶然】改写成【发现】的选择算子。若你同时检验20个制度指标，哪怕全部为假，也有约64.2%的概率至少出现一个p<0.05。【显式】算术：20个独立零假设检验，每个alpha=0.05，至少一个假阳性概率=1-0.95^20≈0.642；100个时≈0.994。【隐式】更危险的是挑最小p：20个均匀分布p值的最小值期望=1/21≈0.048，天然容易低于0.05。你看到的不是某个指标的证据，而是【最小值分布】的尾部。【流程节点链路】：【提出制度假设】→【选20个制度/计量指标】→【对同一结果做20次检验】→【保留最小p】→【把最小p当成因果证据】→【误把选择偏差当效应】→【用预注册主指标/FDR/敏感性分析重算】。【细微】真正的修法不是删掉不显著，而是把检验家族写清楚：主指标一个，p=0.04才接近可解释；20个里最小p=0.04，证据强度接近零。【极难发现】盲点：很多人把p<0.05当成单个检验门槛，却忘了它其实是搜索过程的门槛。没有预注册或校正，显著性不是发现，是搜索停止规则。可证伪检验：模拟10000次20个独立零假设，至少一个p<0.05的比例应接近64.2%，最小p均值应接近0.0476。若你的研究有20个候选制度变量，你会先预注册一个主指标，还是先跑完再选？为什么？