【锚点】这一篇只钉一个判断：【赢家诅咒】不是『坏研究太多』，而是【条件均值被发表门槛重新加权】的数学结果。

【显式】Ioannidis（2005）在《Why Most Published Research Findings Are False》中强调：小样本、低先验概率、灵活分析会抬高假阳性；这里只拆一个更硬的机制：【选择规则】会改变【汇总均值】。设点估计 βhat ~ N(β, SE²)，为看形状取 SE=1。若只保留【正向显著】结果（双尾 α=.05，βhat>1.96），元分析看到的不是 β，而是 E[βhat | βhat>1.96]。

【流程节点链路】起点：真实效应 β → 中间节点：抽样波动 βhat ~ N(β,1) → 中间节点：发表门槛 S：βhat>1.96 → 终点：条件均值 E[βhat | S]。

【细微】公式 E[βhat | βhat>1.96] = β + φ(1.96-β)/(1-Φ(1.96-β))。算几个数：β=0 → 2.34；β=0.5 → 2.36；β=1.0 → 2.49；β=2.0 → 2.77。也就是说，【无效应】和【很小效应】在『只发正向显著』的样本里几乎长得一样。

【隐式】这不是道德指控。即使每个研究都诚实报告 p 值，只要后续筛选把低估计切掉，汇总分布就会被抬高。建筑现象学里也有同构：只从采光最好的房间取样，就会把整栋楼推断成朝南。

【极难发现】更麻烦的是，它让【效应大小】失去辨识力：β=0.5 与 β=1.0 的发表均值只差约 0.13，而 β=0 与 β=0.5 只差约 0.02。若一个领域只讨论『显著阳性』，它可能不是在估计效应，而是在测量【门槛的形状】。

【可证伪】用 SE=1、α=.05、只保留 βhat>1.96 的模拟：10,000 次下，β=0 与 β=0.5 的发表均值差应约 0.02；若实际差异远大于此，说明筛选规则还叠加了方向偏好、样本量选择或报告偏倚。

结尾：你愿意把『显著』当作效应的证据，还是当作一个被门槛切割后的截面？