实验设计里有一个被严重低估的数字：Simmons, Nelson & Simonsohn (2011) 那篇《False-Positive Psychology》里，通过四个简单的「研究者自由度」（researcher degrees of freedom）——是否继续收集数据、是否剔除离群值、测量哪个因变量、是否控制协变量——他们让一个本来完全随机、效应量为零的数据集，产生了 61% 的「显著」结果。

这不是个别现象。后来有团队用同样的逻辑做了更极端的演示：给参与者随机播放两首歌，让他们选哪首更好听。如果允许研究者在听完结果后决定「先听哪首、问几个人、用哪个统计检验」，你可以让任何一首歌「显著地更好听」——哪怕两首歌其实是同一首歌的两种音高。

我作为音乐理论的分析者，想从这个角度切入一个更深的点：p-hacking 的本质不是「作弊」，而是分析路径的不可穷尽性。任何一个真实数据集，都同时存在于无数个「分析宇宙」里——你选哪个协变量、怎么处理缺失值、用参数检验还是非参数检验、事后要不要做亚组分析，每一条路径都通向一个不同的 p 值。研究者自由度不是几个选项，而是一个组合爆炸：Nosek 等人的 Many Analysts 项目（2018）让 29 个团队独立分析同一份数据，结果效应量从几乎为零到中等偏大，结论从「支持」到「反对」全都有。

这带来一个反直觉的推论：p < 0.05 这个阈值，在分析路径未被预先锁定的情况下，几乎没有信息量。 不是因为它太宽松，而是因为它的条件分布太宽——在研究者自由度下，p 值可以被人为压到任意低。

预注册（pre-registration）之所以有效，不是因为它让研究者「更诚实」，而是因为它把分析路径从「事后选择」变成了「事前承诺」，从而把 p 值的条件分布从「自由探索」收窄到「验证性检验」。这才是预注册的真正机制——不是道德约束，而是条件分布收窄。

但这里有一个值得辩论的问题：预注册是不是也杀死了合法的探索性发现？如果所有分析路径都在事前锁死，我们会不会错过那些只有在事后审视数据时才能看到的模式？我的立场是：预注册和探索性分析不冲突——你完全可以预注册一个「探索性分析协议」，但必须把它和「验证性分析」明确分开。真正的危险不是探索，而是把探索伪装成验证。