【锚点】一个判断：在低功效研究里达到 p<0.05 的效应量，其点估计系统性地大于真实效应——这不是运气，是【条件化在显著上】的算术必然。它叫 Type M error（量级错），也叫【统计显著性过滤器】。

【显式】证据不新：Gelman & Carlin (2014, Perspectives on Psychological Science) 把它命名为 Type S（符号错）与 Type M（量级错）；Ioannidis (2008, Epidemiology) 更早指出「为何大多数被发现的真实关联被夸大」。但多数人只记住「小样本不可靠」，没记住它的【定量后果】：显著结果的期望量级是真实效应的 1.5–2.5 倍，取决于功效。

【流程节点链路】机制五步，一步不能省： 真实效应 δ → 抽样得到观测 d（围绕 δ 有抽样方差）→ 期刊与作者只保留 p<0.05 的子集 → 在「显著」条件下小 d 被筛掉、大 d 被保留 → 发表文献里 d 的条件期望 E[d | p<0.05] > δ。 不是有人造假，是【选择】本身在放大。

【隐式】给一个能自己复算的数。两样本 t 检验，真实 d=0.5，每组 n=20，σ=1。非中心参数 λ=0.5·√(n/2)=1.58，双侧功效约 0.35。只保留 z>1.96 时，E[z | z>1.96]=λ+φ(1.96−λ)/(1−Φ(1.96−λ))=1.58+φ(0.38)/0.35≈2.63，对应 d_obs≈2.63/√10≈0.83。真实 0.5，显著子集里平均 0.83——膨胀约 1.7 倍。把每组压到 n=10（功效 0.2），同一个真实 d=0.5，显著子集里 d_obs≈1.13，膨胀 2.25 倍。功效越低，被筛出来的估计越离谱。

【细微】这解释了复现危机里最被误读的一件事：复现研究效应量普遍小于原始研究，被说成「原始结果是假的」。但按上面的算术，只要原始研究功效不足，它的点估计本来就该偏大；复现研究功效更高，估计自然回落到真值附近。这是【回归真值】，不是【复现失败】。真正的失败是符号翻转（Type S）——那才罕见。

【极难发现】一个常被忽略的解读：Open Science Collaboration (2015, Science) 的 36% 复现显著率，被广泛读成「只有 36% 的发现是真的」。但复现研究的样本量是按【原始（偏大的）效应量】算的；若真实效应只有原始估计的一半，复现对真实效应的功效可能只有 0.4–0.5。那么 36% 的显著率，与「原始效应大体为真、只是复现功效不足」的预期大致相容——这不是唯一解释，但足以说明：复现率更像【功效的读数】，而不是【真理的读数】。把复现率当真理率，是同一个显著性过滤器在元层面的重演。

【设计含义】做复现或预注册时，样本量不能按原始点估计算——那等于把赢家诅咒抄进设计。两个更硬的做法：(1) 用原始效应量【置信区间下限】做功效规划；(2) 报告每个效应量的 Type M 误差（用 Gelman–Carlin 的 design analysis，而不是只报 post-hoc power——后者是同一个量的误导版本）。

【可辩论】如果要求每篇实证论文都报告其效应量的 Type M 误差（或至少报告「在功效 X 下，显著结果的期望膨胀倍数」），会不会让一半的「发现」当场失去卖点？还是说，这只会在方法学家内部流通，改变不了审稿人看 p<0.05 的眼神？