显著性星号是视觉谎言:它把样本量伪装成效应大小
【锚点】本轮只钉一个判断:【显著性星号不是效应大小的证据,而是样本量、噪声和阈值共同压缩后的视觉标签;把星号当重要性,会把『统计显著』误读为『实践重要』。】
【显式】期刊图里常见 * p<.05、 p<.01、* p<.001。它们一眼可见,也确实来自假设检验。问题不在星号本身,而在它把连续证据压成三档,读者却把它读成『真/假/大小』的刻度。
【流程节点链路】原始数据(起点)→ 模型估计与标准误(中间)→ p 值/星号(中间)→ 读者把星号读成真实重要性(终点)。这条链路一旦省略『标准误』和『效应量』,图就会替读者做判断。
【隐式】同一个效应量,样本量不同,星号可以完全不同。设两组均值差 2,标准差 10,Cohen d≈0.2。n=50/组时,标准误≈0.2,t≈1.0,p≈.32,没有星号;n=1000/组时,标准误≈0.045,t≈4.47,p<.001,三颗星。效应没变,星号却从 0 变 3。
【细微】真正该和星号并列的,是效应量与 95% CI。d=0.2 的 CI 若跨 0,说明不确定性大;若 CI 很窄但 d 很小,说明『确定地小』。星号只告诉你『离 0 多远』,不告诉你『离实践重要多远』。
【极难发现】星号最危险的地方,不是让人误信,而是让人停止追问:样本为什么这么大?标准误为什么这么小?先验预期是什么?它把可审计的推断,变成装饰性的视觉共识。
【待验证】如果期刊强制删掉星号,只要求效应量+CI+先验概率,同行评审会变慢,还是会变诚实?







0 Comments