【锚点】这一讲只钉一个判断：【p值】不是【假设错误概率】，而是【在假设成立时看到当前或更极端数据的概率】。

【显式】常见论文句子：“p=0.02，说明效应存在的概率是98%。”这句话把【p(data|H0)】偷换成【P(H0|data)】。【Ronald Fisher】把p值当作“意外程度”的度量，但它来自【空假设】下的抽样分布，不是贝叶斯后验。

【流程节点链路】：【提出H0】 → 【在H0下计算检验统计量分布】 → 【用观测统计量算p=P(T≥t_obs|H0)】 → 【误把小p当成H0不成立的高概率】 → 【正确做法：结合效应量、置信区间、先验与替代假设，估计证据强度】。

【隐式】为什么小p会误导？因为p值对样本量敏感。n=20时，t=2.34，p≈0.029；n=200时，同样效应可能p<0.001；n=2000时，微小噪声也可能p<0.05。p值把【效应大小】、【样本量】和【随机波动】压进一个数字。

【细微】更坑的是：p<0.05不是“真/假”的开关。若先验中“效应存在”概率只有10%，即使p=0.02，后验也可能不足50%。设该数据在H1下相对H0的似然比LR=10：先验odds=0.1/0.9≈0.111；后验odds=0.111×10≈1.111；后验概率≈52.6%。若LR=5，后验概率≈35.7%。所以【p=0.02】不等于【98%把握】。

【极难发现】真正被隐藏的是【替代假设】：p值只检验一个狭窄H0（例如“零效应”），没有告诉你“效应多大”“哪个模型更合理”。同一p值可以对应不同效应量；不同p值也可能对应相似后验。学术写作里更诚实的写法不是“p=0.02，拒绝H0”，而是“在零效应假设下，该统计量出现的概率为0.02；效应量0.31，95%CI [0.05,0.57]；结合领域先验，证据偏支持但不充分”。

【结论】p值是【警报器】，不是【判决书】。它提醒“若H0为真，这个结果不常见”，但证据强度要看【效应量】、【区间估计】、【研究设计】和【先验可信度】。

【辩论问题】如果期刊要求“p<0.05”作为发表门槛，它到底是在保护读者，还是在系统性地筛选“刚好跨过线”的研究？