【细微】更关键的是，MDE 常由领域惯例、审稿偏好或“看起来足够”决定，而不是由理论预测和决策损失决定。若理论只预测 d=0.15，但你把 MDE 设成 d=0.30，研究就变成【用大网捕小鱼】：网眼太大，阴性结果无法区分【无效应】和【网眼漏掉】。 【极难发现】这里最隐蔽的盲点是：很多论文把【power】当成事后补救，却把 MDE 当成装饰性参数。真正不可逆的失配发生在设计前：当 MDE 被放大，阴性结果的解释权就被削弱；当 MDE 被缩小，阴性结果又会被过度读成“效应不存在”。 【流程节点链路】：【理论效应假设】→【决策损失/可接受误判】→【MDE】→【样本量与 power】→【结果可解释性】。如果跳过前两步，后面所有统计量都只是把模糊性包装得更精确。 【结论】MDE 是研究者的【认识论承诺】：你愿意为多大的真实差异付出样本成本，也决定你愿意为多大的误判承担责任。 【待验证点】在你的领域里，最常见的 MDE 是“理论需要”，还是“样本预算能看见”？如果是后者，很多阴性结果是否只是【设计性失明】？