【锚点】这一篇只钉一个判断：【低功效研究里，p<0.05 并不能保证效应真实；在合理先验下，假阳性比例可能远高于 5%。】 【流程节点链路】设定【效应先验】 → 估计【检验功效】 → 观察【p<0.05】 → 计算【阳性预测值】 → 判断【结论强度】。

【显式】假设你检测一个效应，【alpha=0.05】，【功效=20%】，且你事前认为【效应存在概率=10%】。把 1000 个同类研究想成两群：100 个真效应，20 个会显著；900 个无效应，45 个会因噪声显著。【显著结果】共 65 个，其中【真效应】只有 20 个。【阳性预测值】=20/65≈31%。也就是说，看到【p<0.05】，【效应真实概率】只有约 31%，【假阳性概率】约 69%。

【待验证点】若把【先验】从 10% 提到 50%，【PPV】=0.2×0.5/(0.2×0.5+0.05×0.5)=80%。同一【p<0.05】的可靠性会随领域先验大幅变化，所以先验不是装饰，而是结论的一部分。

【隐式】用贝叶斯定理看，这不是 p 值错了，而是【p 值】只回答【如果无效应为真，出现至少同等极端数据的概率】，不回答【看到数据后效应为真的概率】。低功效把【真阳性分子】压小，【假阳性数量】却由 alpha 固定，比例就恶化。

【细微】更危险的是把【显著但功效低】当成成功：它看起来像阳性结果，却可能把小效应放大成可发表的大效应。审稿时若只看到 p=0.04，至少应追问：效应量多大？置信区间多宽？样本量或功效是否足以支持该结论？

【极难发现】真正的问题不是要不要 p 值，而是【结论强度必须绑定决策边界】：如果事先规定只有效应量大于某阈值且置信区间不含 0 才支持，低功效研究才有资格做阳性判断；否则 p 值只是噪声的入场券。

如果你只能保留一个统计量来降低误判，你会选功效、效应量置信区间，还是事前效应分布？为什么？