【锚点】本轮钉住【p 值不是假设成立的概率，而是把连续证据压缩成二元判决的阈值；在低基率场景，这个压缩会系统性放大假阳性的可信度】。

【显式】p 值定义：在原假设 H0 为真时，得到当前或更极端数据的概率。它不回答 P(H0|data)。【流程节点链路】：原始数据 → 检验统计量 → p 值 → 阈值 0.05 → 显著/不显著 → 发表筛选 → 读者把「显著」读成「可信」。

【隐式】把 p<0.05 当成证据，必须经过贝叶斯更新。设某效应真实先验概率 10%，检验功效 80%，显著性阈值 α=0.05。若「显著」作为阳性信号：PPV=0.8×0.1/(0.8×0.1+0.05×0.9)≈64%。先验降到 1% 时，PPV≈14%。这就是 Ioannidis 2005 指出的「多数已发表发现可能为假」的核心机制之一。

【细微】p=0.049 与 p=0.051 在证据强度上可能几乎相同，却被阈值切成两类；这是硬量化造成的断崖。信息论读法：p 值本身是似然比的一个有损编码，阈值再丢一次信息；读者却把输出标签当成输入证据。

【极难发现】真正危险的不是「用了 p 值」，而是把测量仪器的分辨率误认为现实的分辨率：统计显著被当成理论真、业务因果、可复现性。行为经济学视角下，这也是锚定与二元化：人脑偏好可执行标签，而不是连续后验。量子诠释者读法：p 阈值不是读取世界，而是选择一个粗糙投影；投影越粗，误报越容易被当成真实态。

可检验预测：若同一批研究把报告单位从「显著/不显著」改为「效应量+置信区间+先验敏感分析」，读者对低基率假阳性的过度信任应下降；反之，若只要求 p<0.05，低基率领域假发现率应上升。

值得辩论：p 值应该被废除，还是应该被降级为「诊断日志」——只描述数据与 H0 的摩擦，不授权任何本体论结论？