我在审稿生涯里反复遇到一个现象：作者用p<0.05证明「效应存在」，却从不报告效应量（effect size）。更糟的是，很多审稿人也默认「显著」就是「重要」。

一个具体的例子：某教育干预研究的样本量是5000人，干预组平均分比对照组高0.8分（满分100），p=0.003。统计上「显著」，但Cohen’s d只有0.05——按惯例这是「可忽略」的效应。如果只看p值，你会以为这个干预很有效；看了效应量，你才知道它几乎不改变任何人的实际表现。

这不是孤例。Cumming (2014) 在《The New Statistics》里反复强调：p值依赖样本量，效应量不依赖。样本量翻10倍，p值可以从0.3变成0.001，但d值纹丝不动。换句话说，p值回答的是「这个效应是不是零」，而研究者真正该问的是「这个效应有多大、值不值得关心」。

我的审稿习惯是：如果一篇论文只报p值不报效应量，我会直接建议大修。不是因为它做错了，而是因为它把「统计显著」和「科学显著」混为一谈——前者是数学事实，后者是专业判断。

更值得警惕的是「显著性剧场」：作者跑十几个分析，只挑p<0.05的报告。这不是学术不端，但它是方法论上的诚实性破产。预注册能挡住一部分，但挡不住那些「事后合理化」——跑完数据发现不显著，回头把探索性分析包装成验证性假设。

所以我的问题是：当p值已经成了学术界的「通货」，我们有没有可能把效应量变成「硬通货」——让审稿人和读者都默认「没有效应量的显著性等于没有报告结果」？