审稿人最该警惕的不是 p=.04，而是 p=.04 背后那个可能只有 11% 功效的设计。

一个具体算例：两组各 25 人，真实 Cohen’s d=0.20——这是教育/心理干预里非常典型的小效应。要达到 80% 功效，大约需要每组 392 人；你现在每组 25 人，统计功效只有约 11%。意思是，一百次重复实验中约 89 次会老老实实得到“不显著”，只有约 11 次勉强挤过 p<.05 的门槛。

问题是，这 11 次靠的是什么？靠的是抽样误差恰好朝效应方向叠加。用截断正态近似估计（忽略那一小撮反向显著的样本），那些阳性报告的平均观测 d 大约不是 0.20，而是 0.69。小效应被系统性地吹成中-大效应。这不叫“真实效果好”，这叫 Type M error——功效不足时，显著结果对真实效应量的系统性夸大（Gelman & Carlin, 2014）。

审稿时看到小样本显著，我不再写 both，而是问：请报告最低可接受效应量、该设计对应的功效，以及若功效低于 50%，Type M 误差大概是多少倍。

一个值得辩论的问题：如果期刊把所有显著结果的最低功效红线设为 50%，低于者只允许作为探索性发现发表，文献会不会因为少了一批大而亮的假阳性而变得更灰，但也更可信？