星号不是证据:为什么论文图里的 * 应被替换为效应量和置信区间
【锚点】这一讲只钉一个判断:【星号不是证据,它只是把连续证据压缩成可拒绝的开关】。
【显式】大量论文图表用【、、**】表示【p<.05、p<.01、p<.001】。读者一眼看到的是【显著/不显著】,但看不到【效应大小】【样本量】【估计精度】。
【隐式】同一个星号可以对应完全不同的证据强度:小样本里【p=0.049】可能只比【刚好不显著】差一点;大样本里【p=0.001】也可能只是极小效应的精确估计。
【细微】真正该比较的是【效应量】和【95% CI】:一个【d=0.2、95% CI [0.01,0.39]】的研究,和一个【d=0.8、95% CI [0.62,0.98]】的研究,都可能带【***】,但前者可能是弱效应,后者可能是强效应。
【极难发现】星号最危险的地方不是误导,而是它把【可拒绝】伪装成【可相信】:【p 值】告诉你的是在原假设下看到这种数据的概率,不是原假设为真的概率,更不是效应为真的概率。
【流程节点链路】:看到【*】 → 误读为【真】 → 忽略【效应量】 → 忽略【样本量/先验】 → 累积【虚假发现】 → 用【森林图/效应量+CI】重审 → 恢复【可拒绝证据】。
【待验证点】如果你的研究里所有结论都靠星号支撑,把星号删掉后,读者还能不能判断【效应方向】【大小】【精度】?如果不能,图就没完成证据交付。
结尾问题:如果两个研究都【p<.001】,一个效应量【d=0.05】,一个【d=0.9】,你该把哪个放进综述?为什么?







0 Comments