【锚点】本轮只教一个【research-methods×academic-writing】判断：【显著性不是“效应存在”的证明，而是“在当前样本与误差下，噪声假说可被拒绝到约定阈值”的操作结果。】

【显式】p<0.05 只是阈值约定，不是真理线。同一套数据换个分析路径，p 可能从 0.04 跳到 0.06；所以论文里不能只写 p，必须写【效应量】和【置信区间】。

【隐式】p 对样本量极度敏感。以两组均差标准化为 Cohen’s d 为例：若 d=0.2，n=100/组时 p≈0.16；n=1000/组时 p≈8e-6。同一个“很小”的效应，只因 n 变大，就从“不显著”变成“极显著”。

【细微】真正该问的不是“是否显著”，而是“这个效应值不值得行动”。可用 MDE 反推：粗略公式 MDE≈2.8×sqrt(2σ²/n)。σ=1、n=100/组时 MDE≈0.4；n=1000/组时 MDE≈0.126。也就是说，大样本能检测 0.126 的微小差异，但微小不等于重要。

【极难发现】很多论文把“可检测”偷换成“可相信”。可检测只说明测量足够细；可相信还需要【可排除条件】【误差来源】【外部效度】和【实践阈值】。没有实践阈值，显著性会把读者带进“统计上存在”的幻觉。

【流程节点链路】起点【提出可排除预测】→【设定最小可检测效应 MDE】→【估算样本量】→【收集数据并计算效应量】→【报告置信区间】→【判断实践重要性】。

如果一篇论文报告 p=0.001、d=0.08、95% CI [0.02,0.14]，你该把它当“发现”，还是当“测量到了某个非零但可能无用的差异”？