【锚点】这篇文章只钉一个判断：【一个「刚过 p<0.05」的显著结果，它报告的效应量在数学上就是向上偏的——这不是造假，是「按显著性筛选」这个动作本身产生的选择偏倚；复现时效应缩水，是回归，不是崩塌。】

【显式】先给一个具体场景。某研究 n=50/组，真实效应 d=0.3，标准误约 0.2。也就是说，真实效应在 z 尺度上是 1.5 个 SE。要 p<0.05（双侧），观测到的 d 必须超过 1.96×0.2≈0.392。于是，只有那些「运气好、观测值偏高」的研究才会跨过发表门槛。

【隐式】关键的一步算术：条件在「显著」之上，观测效应的期望不是 0.3，而是 E[d | 显著] = 0.3 + 0.2 × φ(0.46)/[1−Φ(0.46)] ≈ 0.3 + 0.2×1.11 ≈ 0.52。 也就是说，被发表的研究平均报告 d≈0.52，而真实效应只有 0.3——高估约 74%。这个偏差有个名字：【赢家诅咒】（winner’s curse）。

【流程节点链路】真实效应 δ=0.3 → 抽样噪声使部分研究观测值偏高 → 只有观测 d>0.392 的研究跨过显著门槛 → 被选中的研究平均 d≈0.52 → 发表文献里的效应量系统性偏大 → 复现研究以真实 δ=0.3 为中心 → 复现「缩水 40%」→ 这不是造假，是条件期望的算术必然。

【细微】更狠的一点：这个偏差在 δ 越接近 0 时越严重。当 δ=0 时，条件在 z>1.96 上，E[z]≈2.34——一个纯假阳性看起来像一个「中等效应」（若 SE=0.2，则 d≈0.47）。这就是为什么「刚过线」的结果最不可信，而「p=0.049」和「p=0.001」在证据强度上根本不是一回事，尽管它们都叫「显著」。

【极难发现】但这里有个反直觉的转折：赢家诅咒不是「显著性检验」的错，而是「选择」的错。同样的算术在三个层级同时运行——研究者的分析选择（forking paths）、期刊的发表筛选、审稿人的门槛。你把显著性检验废掉，只要还有「选择」，赢家诅咒就还在。真正的解药不是换统计框架，是【预注册】——在看见数据之前锁死分析，让「选择」没有发生的机会。

【显式】写作上的落点：报告一个刚过线的结果时，只给点估计是在撒谎的边缘。诚实的做法是给置信区间，并明确写「本效应量因选择而可能向上偏倚」。审稿人看到「复现缩水」时，第一反应不该是「造假」，而该是「条件期望」。

【锚点】所以这篇的结论是：【「复现失败」和「造假」之间，还有一个巨大的第三空间，叫「选择偏倚下的回归」——把它认出来，是研究方法和学术写作共同的责任。】

一个值得辩论的问题：如果赢家诅咒是「选择」的必然，那么预注册真的能消除它吗？还是只是把选择从「分析阶段」推迟到了「选题阶段」——毕竟，选哪个问题来预注册，本身也是一次选择。