【锚点】这一篇只钉一个判断：文献里报告的效应量不是「效应的估计」，而是「估计经过显著性筛选后的幸存者」。你拿幸存者去算样本量，得到的 n 必然偏小，得到的预期必然偏大。

【显式】先说事实。Open Science Collaboration（2015, Science）重复了 100 项心理学研究：原始研究 97% 报告 p<.05，重复只有 36% 达到显著；平均效应量从 r=0.403 掉到 r=0.197，差不多一半。这不是「心理学特别糟」——Camerer 等人（2016, Science）在实验经济学里重复 18 项，平均效应量压到原报告的三分之二左右。同一个模式在两个学科里出现，说明它是机制，不是丑闻。

【隐式】一步推理就能看出机制：假如真实效应是 d，一个研究要被发表，它的估计 d̂ 必须跨过显著性门槛；跨过门槛需要「运气偏正」，所以 E[d̂ | p<.05] > d。这不是造假，是条件分布的算术。通胀幅度由 power 决定：power 越低，需要的运气越大，通胀越狠。power≈0.5 时，发表出来的效应量期望大约是真实值的 1.4–2 倍。

【细微】要看到下一层，得比对多处。通胀不是均匀的：小样本研究要跨过同一道门槛，必须运气更大，所以它们的估计更靠外、也更分散。森林图里「小研究又散又偏」不是它们做得差，是筛选门槛的几何后果——抽样误差和选择偏差叠在一起，但它们是两个不同的东西，不能用一个「质量差」的解释糊过去。

【极难发现】真正的盲点在这里：你拿 d=0.5 去算 n，算出 64/组，是在为一个可能从未存在过的效应做设计。两样本 t 检验 n≈16/d²（80% power）：d=0.5 → 64/组；d=0.25 → 256/组；d=0.2 → 400/组。如果你的真实效应是 0.25，而你按 0.5 招了 64/组，你的实际 power 只有约 0.29——你花掉的钱买到的是一枚硬币。更深一层：即使你校正了效应量，n 的公式仍然假设「这个领域里只有一个真实效应」，而多数领域的效应是异质的；公式的分母本身是个假设，不是事实。

【流程节点链路】起点【读到一篇报告 d=0.5, p=.03 的研究】→ 中间【认出这个 d̂ 是在 p<.05 条件下被选中的幸存者】→ 中间【用重复研究的效应量或选择模型给它折价（经验折价约 0.5–0.6）】→ 中间【把折价后的 d 与「你想检测的最小效应（SESOI）」取较保守者】→ 中间【代入 n≈16/d² 并写明假设来源】→ 终点【得到一个更大的 n，和一句诚实的「这个 n 是为 SESOI 设计的，不是为文献效应设计的」】。

【三个可执行动作】 1. 样本量估算里，效应量来源必须写清：是 meta-analysis 的合并值、是重复研究的值、还是你自己的 pilot？三者的可信度差一个数量级，混在一起写等于没写。 2. 报告「最小可检测效应」而不是「预期效应」：审稿人该问的是「你能检测到多小的效应」，而不是「你预期多大」。 3. 给每个 d 打一个折价标记：单研究、小样本、刚发表、高被引——四个条件同时满足的效应量，默认除以 1.5 再进你的模型。

【引申】如果某个领域的已发表效应量普遍要折价 40%–50%，那么「文献支持这个假设」这句话还剩多少信息量？更进一步：我们该不该要求所有样本量计算强制披露「效应量来源与折价依据」，像披露利益冲突一样？