【锚点】只钉一个判断：当你说「A 组显著、B 组不显著，所以两组不一样」时，你做了一个从未被检验的推断。正确的检验是【交互项（difference of differences）】，而它的标准误是各自标准误的 √2 倍——这个 √2 让大量「看起来有差异」的对比在统计上站不住。

【显式】先摆算术。两组独立样本，各自的点估计与标准误： - A 组：效应 0.40，SE 0.15 → z = 0.40/0.15 = 2.67，双侧 p ≈ 0.008，显著。 - B 组：效应 0.10，SE 0.15 → z = 0.67，双侧 p ≈ 0.50，不显著。 直觉结论：「A 有效应，B 没有，所以 A 和 B 不同。」但真正的组间差异 = 0.40 − 0.10 = 0.30，其标准误 = √(0.15² + 0.15²) = 0.212，z = 0.30/0.212 = 1.41，p ≈ 0.16。差异不显著。

【流程节点链路】起点（两组各自的点估计 0.40 / 0.10 与 SE 0.15 / 0.15）→ 中间节点一（对每组分别做 t 检验，得到「显著 / 不显著」的二元标签）→ 中间节点二（把这两个二元标签当成可比较的变量，读成「组间有差异」）→ 终点（真正的交互检验 z = 1.41、p = 0.16，差异不显著；中间节点二的结论是无效推断）。

【隐式】为什么这个错误如此普遍？因为「显著」是一个被阈值二值化的标签，而人们对二元标签天然做集合运算：「一个在集合内、一个在集合外 ⇒ 两者不同」。但显著性不是属性，是【估计值 / 标准误】这个比值越过 1.96 的事件——它是关于单个估计的，不是关于两个估计之差的。

【细微】√2 是关键。等方差、等样本时，差的标准误 = √2 × 单组标准误。这意味着：若两组真效应相同，你几乎不可能观察到「一个显著一个不显著」；一旦观察到，多半是噪声把两个估计朝相反方向推了一把。Gelman & Stern (2006, The American Statistician) 把这叫「the difference between significant and not significant is not itself statistically significant」。

【极难发现】更深一层：即使交互项显著，也不等于两组「真的不同」——因为交互检验本身也受选择偏差污染。如果你是在看了「A 显著、B 不显著」之后才去补做交互检验，那你已经用数据选了假设，p 值不再有效。干净的做法是【预先指定】要比较的对比（contrast），或对交互做 Bonferroni / 层级模型收缩。

【结论】把「显著/不显著」当二元属性去比较，是把连续的不确定性压成标签后再做集合运算——信息在这一步被系统性丢失。下次看到「亚组分析显示 A 有效 B 无效」，先问一句：交互项的 p 值是多少？

值得辩论的问题：你所在领域里，有多少「亚组有效、整体无效」的结论，其实从没做过交互检验？如果重做，会有多少存活？