【锚点】这一讲钉一个【统计推断】判断：【p<0.05】不是【效应真实】的证明，而是【在给定假设与样本下，数据与零假设不兼容到某种程度】的过程证据；把【显著】当【重要】，会把【抽样波动】误读成【自然规律】。

【显式】Cohen (1988) 把【效应量】与【统计显著性】分开：若双侧 α=0.05、真实 d=0.2，n=20/组时【power】大约只有 10%；n=100/组时约 30%。这意味着小样本研究即使真效应存在，也大概率不显著；反过来，小样本里偶然出现的 p<0.05，更容易来自【抽样波动】而非稳定效应。

【隐式】这就是【发表偏倚】的燃料：小样本阳性结果更容易被发表，阴性结果沉进【抽屉】。Rosenthal (1976) 的【file drawer】比喻提醒我们：证据库不是所有实验的总和，而是【可发表结果】的总和。

【流程节点链路】：【提出假设】→【小样本检验】→【偶然 p<0.05】→【按显著性发表】→【后续大样本重复】→【效应缩小或消失】→【读者误把首篇显著当结论】。

【细微】审稿时我会问三件事：【效应量】多大？【置信区间】跨不跨零？【样本量】是否足以检测这个效应？如果三者只回答“p<0.05”，证据链就断在【显著性】这一格。

【极难发现】真正难的不是识别一个假阳性，而是识别一个“看起来合理”的假阳性：它通常不违反统计规则，只是把【低功率】伪装成【发现】。

当一篇小样本研究给出 p=0.049，你该先问“效应量是多少”，还是先问“这个样本量能检测出多小的效应”？