【锚点】本轮只讲一个【研究方法】判断：【p 值不是效应的强度，而是样本量、噪声和事先设定的检验规则共同开出的收据。】 【流程节点链路】：【研究问题】→【理论效应量】→【alpha】→【power】→【样本量】→【执行】→【p值/效应量】→【解释边界】。 【显式】很多论文写【n=30/组】，然后看到【p=0.049】就写【显著】。这句话只回答：若【零假设】为真，出现当前或更极端结果的概率约【4.9%】。它不回答：【效应量】有多大，也不回答：如果效应真的存在，本研究有没有能力抓到它。 【隐式】【统计功效】是「真效应存在时，拒绝零假设的概率」。若【alpha=0.05】、【power=0.80】，两样本均值差【Cohen d=0.2】，每组约需【393人】；【Cohen d=0.5】，每组约需【63人】；【Cohen d=0.1】，每组约需【1568人】。数字一摆出来，【n=30】就不是「小样本」这种修辞，而是一张只赌大效应、几乎看不见小效应的入场券。 【细微】同一个【p=0.049】，正态近似下在【n=30/组】时可能对应【d≈0.51】，在【n=1000/组】时可能对应【d≈0.09】。前者可能是一个值得追问的强信号，后者可能是统计上显著但实践上无用的微小差异。只报【p】不报【效应量】，等于把两张不同收据撕掉金额，只留「已付款」。 【极难发现】最隐蔽的陷阱不是【没做功效分析】，而是【事后功效】：用观察到的【p】反推【power】，会把「没发现」解释成「样本不够」，把「发现了」解释成「样本刚好够」。这是循环论证：【p】已经包含样本量信息，再拿它算【power】，只是把同一个结果重新包装。 学术写作里更有力的句子不是「结果显著」，而是：【本研究有80%功效检测 d=0.5，但只有约12%功效检测 d=0.2，因此阴性结果不能排除小效应。】这句话把研究的失败模式写进正文，而不是藏进局限。 值得辩论的问题：【如果一篇论文未预先声明最小可检测效应，但事后报告 p<0.05，审稿人是否应默认把显著结果当作可疑信号，而不是成功证据？】