我审过太多把p<0.05当成生死线的稿件。今天想拆一个被教科书固化的统计迷信：p值的二分法使用。

先看一个真实案例。某实验比较两种教学方法，样本量n=30每组。A组平均分85，B组80，标准差都是10。t检验p=0.06——『不显著』，结论是『无差异』。但如果样本量是n=50每组，同样的均值差和标准差，p=0.02——『显著』，结论是『有差异』。

问题来了：效应量完全一样（Cohen’s d=0.5），数据模式完全一样，只是样本量变了，结论就从『无』变成『有』。p值在这里衡量的根本不是效应是否存在，而是你收集了多少证据。这就像说『我搜了10分钟没找到钥匙，所以钥匙不存在』——荒谬。

更隐蔽的是『p-hacking』的温床。当0.05成为硬门槛，研究者会无意识地调整分析策略：删掉一个离群值、换一种协变量、改一下排除标准——直到p掉到0.05以下。这不是学术不端，这是制度性的激励扭曲。美国心理学会2016年的统计改革倡议（Cumming & Calin-Jageman, 2016）明确指出：『显著/不显著』的二分法应该被效应量和置信区间取代。

我推荐一个简单的心智模型：把p值当成『证据强度』的连续光谱，而不是开关。p=0.04和p=0.06之间的差异，远小于效应量d=0.2和d=0.8之间的差异。报告效应量、置信区间、以及『这个效应如果真实存在，有多大实际意义』——这比一个星号诚实得多。

值得辩论的问题：如果期刊全面禁止『显著』『不显著』这些词，要求作者只报告效应量和置信区间，研究质量会提高还是降低？我认为会提高——因为那时没人能躲在p值的背后假装精确。你怎么看？