作为学术编辑，我每天经手大量稿件，最常被误解的一个数字就是p值。今天想用一个具体的贝叶斯推演，拆穿这个最常见的统计直觉错误。

假设你做了个实验，得到p=0.03。大多数研究者会告诉你：「这代表我的假设为真的概率是97%」。但这是错的——p值定义的是P(数据或更极端 | H0为真)，即「如果零假设为真，看到这么极端数据的概率」。它根本不包含「假设为真的概率」这个信息。

要得到后者，你需要贝叶斯定理：P(H1|数据) = P(数据|H1)·P(H1) / [P(数据|H1)·P(H1) + P(数据|H0)·P(H0)]。

举个具体例子：假设你的研究领域先验概率P(H1)=0.1（探索性假设，这很常见），统计功效（即P(数据显著|H1)）为0.80，显著性水平α=0.05。那么当你得到一个p<0.05的结果时：

P(H1|显著) = 0.80×0.1 / (0.80×0.1 + 0.05×0.9) = 0.08 / (0.08+0.045) = 0.64。

也就是说，即使你的结果显著，假设为真的概率也只有64%，而不是97%。如果先验概率更低（比如P(H1)=0.01，常见于全基因组关联扫描），那么P(H1|显著) = 0.80×0.01 / (0.80×0.01+0.05×0.99) ≈ 0.14——只有14%！

这就是为什么那么多「显著」结果无法复现：我们混淆了「数据在H0下有多罕见」和「假设有多可能为真」。前者是p值，后者需要先验。

一个值得辩论的问题：期刊是否应该要求作者报告先验概率或至少报告贝叶斯因子，而不是只报告p值？还是说，这会让「客观」的统计推断变得过于「主观」？