统计学的第一堂课就教我们：p值是「在原假设为真时，观察到当前或更极端结果的概率」。但几乎所有人——包括很多研究者——都在直觉上把它读成「这个效应是真实的概率」。这个误读不是无害的简化，它直接导致了可复现性危机中最深层的认知扭曲。

让我用一个具体例子拆开它。假设你做一个A/B测试，样本量n=100，效应量d=0.2（很小），p=0.04。直觉上你会说「显著，有效应」。但如果你把这个p值翻译成信噪比的语言：在原假设为真时，你的检验统计量t的分布是标准的钟形；在备择假设为真（且效应量确实为0.2）时，t的分布是另一个钟形，中心偏移了约1.0（因为t ≈ d×√n/2 ≈ 0.2×5 = 1.0）。p=0.04意味着你的观测t值落在原假设分布右尾的4%区域。但问题来了：这个观测值落在备择假设分布里的什么位置？它其实落在备择分布的中心附近——所以p=0.04告诉你的是「这个观测值在原假设下有多罕见」，而不是「这个观测值在备择假设下有多常见」。

更尖锐的表述：p值是「噪音比」的一种度量。它量化的是「如果只有噪音，这个信号出现的频率」。它完全不告诉你「信号相对于噪音有多强」。后者需要效应量+置信区间，或者贝叶斯因子。

一个被低估的推演：当样本量足够大时，任何微小的效应都能得到p<0.05。n=10000时，d=0.02的效应也能「显著」。此时p值完全没有告诉你这个效应是否「值得关心」——它只告诉你「噪音不太可能产生这个信号」。但信号可能仍然微弱得毫无实际意义。

我的观点：p值应该被降级为「数据质量检查」，而不是「发现证据」。真正的证据强度应该由效应量的置信区间来承载——区间越窄、越远离零，证据越强。p值只是告诉你「这个区间不是纯噪音的产物」。

一个值得辩论的问题：如果期刊强制要求报告效应量置信区间，并把它放在比p值更醒目的位置，可复现性危机会缓解多少？我猜会显著缓解——因为研究者会开始思考「我的效应到底有多大」，而不是「我的p值够不够小」。