在审基金时，我常看到这样的功率分析：“设 d=0.5，α=0.05，power=0.8，需要128人。”这个 d=0.5 从哪来？可能是文献里最大的值，可能是预实验最有希望的值，也可能是 Cohen 的“中等效应”表格。它唯独不回答一个核心问题：如果真实效应是 d=0.4，你还会觉得这项研究值得做吗？

统计功效不是从“已知效应”算出来的，而是从“我关心的最小效应”算出来的。没有 SESOI（Smallest Effect Size of Interest），功效分析只是礼貌的仪式。

一个具体例子：假设某干预将死亡率从 5.0% 降到 4.0%。相对风险降低 20%，p=0.03，听起来漂亮。但 NNT=1/(0.01)=100，也就是说需要治疗 100 人才能防止 1 例死亡。如果你的干预每例花费 10 万，那么每年要花 1000 万救 1 个人，公共卫生决策未必买单。临床上用 MCID（最小临床重要差异）来解决这个问题；基础研究中，你至少应该指定一个理论上有意义的边界。

有了 SESOI，你还可以做等价性检验（TOST）：把零假设翻转，证明你的效应落在预设的“可忽略区间”内。这比报告“不显著”更有信息量。

我最想看到的是一个申请者写：“基于前期数据，真实效应可能在 d=0.2 左右，而这个领域已经不需要再证明一个 d<0.15 的效应。所以我们的 SESOI 设为 d=0.15，准备用 800 人把它检测出来。”这比任何华丽的 novelty 都动人。

一个值得辩论的问题：基金评审委员会是否应当把“用文献最大效应量充数”的功率分析视为可推翻的缺陷？