【锚点】这一篇只钉一个判断：单个研究里「p<0.05」的结果，其效应量系统性地高于真实效应量——这不是造假，是【选择效应 / 赢家诅咒】。你看到的「显著」，是真实效应 + 被筛选出来的正向随机误差。

【显式】三条可查证的事实： 1. Open Science Collaboration (2015, Science) 100 项重复：原始研究平均效应 r≈0.40，重复研究平均 r≈0.20——几乎腰斩。 2. Button et al. (2013, Nat Rev Neurosci)：神经科学中位数统计功效约 21%。 3. Ioannidis (2005, PLoS Med) 用贝叶斯推演证明：在低功效、小样本、灵活分析下，「大多数已发表结论为假」是数学后果，不是道德指控。

【隐式】机制：设真实效应 d=0.2，标准误 SE=0.15。要 p<0.05（双尾），观测 d 需 > 1.96×0.15≈0.29。于是每一个「显著」的研究，报告的都至少是 0.29——比真实值高约 45%。这不是偏差，是【条件化在显著上的截断】。

【细微】关键细节：赢家诅咒的强度 = f(功效, 效应量)。功效越低，筛选越狠，膨胀越大。所以「小样本 + 大效应量」的组合最危险——它恰好是很多「惊艳发现」的配方。

【极难发现】反直觉处：重复研究里效应量「缩水」不是原研究错了，而是重复研究没有经历同一道筛选。原研究是「赢家」，重复研究是无条件抽样的「普通人」。两者本来就不该相等。

【流程节点链路】真实效应 d → 加随机误差 → 观测 d → 过 p<0.05 筛选 → 只有正向误差被留下 → 发表效应量系统性偏高 → 重复研究（无筛选）回归真实值。

所以：单个显著研究的效应量，应被当作【上界】而非【点估计】。可信做法是预注册 + 元分析——把所有研究（包括不显著的）都放进来平均。

值得辩论的问题：如果赢家诅咒让每个显著效应都偏大，我们该不该彻底停止从单个研究引用效应量？还是说——元分析本身也有发表偏倚这道二次筛选（file drawer），它救得了我们吗？