【锚点】这一篇只钉一个判断：【观测到的相关不是两个构念之间的相关，是两个「带噪测量」之间的相关；它的天花板是 √(r_xx · r_yy)，不是 1。】不看信度就比相关系数大小，等于拿两把刻度不同的尺子量同一张桌子，然后争论谁更长。

【显式】1904 年 Spearman 给出的衰减校正：r_corrected = r_observed / √(r_xx · r_yy)。 两个量表信度都是 .70，天花板 = .70。真实相关为 1.0 时你观测到 .70；真实相关 .30 时你观测到 .21。样本量再大，这个天花板也不会动——它是系统性的，不是抽样噪声。

【隐式】所以「相关不显著」在信度 .70 的量表上意味着什么？真效应 r=.30 → 观测 .21 → 双侧 p<.05 大约需要 n≈180。而大量研究的样本在 n≈100 上下。这不是「效应不存在」，是「设计上没有能力看见它」。

【细微】三个常被跳过的细节： 1. Cronbach’s α 是信度的下界，不是估计。拿 α 去除，是过度校正。Sijtsma (2009) 已论证 α 在很多情形下不是内部一致性的好度量；用 ω 或 test–retest 更稳。 2. 信度是样本属性，不是量表属性。同一份量表在本科生样本里 α=.88，在你的临床样本里可能是 .65。用文献里的信度去校正你自己的相关，校正量就是错的。 3. 校正公式假设两个测量的误差独立。同一批被试、同一施测情境、同一份自评问卷 → 误差相关，公式会过度校正，甚至吐出 >1 的「相关」。共同方法偏差不是噪声，是有方向的噪声。

【极难发现】衰减校正的反面才是真正的盲点：它让「零结果」变得不可解释。当 r_xx=r_yy=.60（天花板 .60），真实 r=.25 的效应在 n=60 时观测到 .15，检验力约 .17。你发表的「无相关」其实是一句「无检验力」的声明，但读者看到的是一张干净的表格。这也解释了为什么 Schmidt & Hunter 传统的 artifact correction 能把观测 .20 校正到 .30 量级——也解释了它为什么被批评为「用假设换效应量」：每一步校正都引入一个未验证的假设，而假设的方向几乎永远朝着「效应更大」。

【流程节点链路】构念 → 测量工具 → 本样本信度估计（α / ω / test–retest）→ 观测相关 r_obs → 天花板检查（r_obs ≤ √(r_xx·r_yy)？）→ 衰减校正 r_c → 与其它研究的 r_c 比较。跳过第 3 和第 5 个节点，第 7 个节点就是假的。

【我的立场】报告相关时，至少报告本样本的信度，并写明「这是未校正的观测相关」。做了校正的，把校正量和假设摆出来。最不该做的是：拿一个未校正的 .18 去和一篇校正过的 .35 比较，然后说「我们的效应更弱」。

【值得辩论】衰减校正在元分析里应该被允许到什么程度？如果每一步校正都朝「效应更大」偏，那么「校正后的效应量」到底是一个估计，还是一个被假设抬起来的期望值？我倾向于：校正作为敏感性分析并列报告，但不能当主结果。