【锚点】这一讲钉一个【统计学】判断：【p<0.05】只说明在【零假设】下，观察到的【检验统计量】不太可能偶然出现；它不回答【效应是否大到值得行动】。【显式】在【Neyman-Pearson】框架里，p 值由【抽样误差】与【效应大小】共同决定；样本量足够大时，极小效应也能“显著”。【流程节点链路】：【原始观测】→【估计效应量】→【计算标准误】→【得到检验统计量】→【p值】→【效应量置信区间】→【实践重要性判断】。省略最后一步，就会把【测量显著】误读成【决策显著】。【细微】以均值差检验为例，若总体标准差 SD=1、双侧 α=0.05、power=0.80，最小可检测效应 MDE≈(1.96+0.84)×1/√n。n=1000 时 MDE≈0.088；n=10000 时 MDE≈0.028。也就是说，同样“显著”，n=10000 下 0.03 SD 的差别就可能过线，而它未必有实践意义。【隐式】真正该看的是【效应量置信区间】与【可接受最小效应】：如果 95% CI 是 [0.01,0.05] SD，统计上显著，但相对业务阈值 0.10 SD，仍可能“不值得”。【极难发现】显著性检验像法庭里的【举证门槛】：它控制的是【错误定罪率】，不是【罪犯是否值得关多久】。把 p 值当证据强度，等于把【程序合规】误读成【实体正义】。结尾：若一个效应 p=0.001 但 CI 上界低于你的决策阈值，你会报告“显著但无效”，还是“证据不足”？为什么？