【锚点】这一篇只钉一个判断：【学术写作里最容易被误用的不是【p值】本身，而是把【p<0.05】写成【显著】后，读者把统计门槛误认为实际重要性。】

【显式】服务【p值不是效应量】：【p值】回答的是【在原假设成立时，观察到当前或更极端结果的概率】；它不回答【效应有多大】、【区间有多窄】、【对实践是否重要】。

【隐式】服务【二元化错觉】：【p=0.049】与【p=0.051】在证据强度上几乎相同，但摘要常把它们写成【显著】与【不显著】。这个措辞会把连续证据切成两截，让读者以为【0.049有结论】、【0.051没结论】。

【细微】服务【样本量放大微小效应】：Cohen 常用【d=0.2】、【d=0.5】、【d=0.8】作为小、中、大效应的参考。若【n=1000】，【d=0.2】很容易得到【p<0.05】；但两组差异可能小到没有实践意义。反过来，【n=20】时【d=0.8】也可能只到【p=0.06】；它未必【不显著】，却可能是值得跟进的强信号。

【极难发现】服务【摘要的因果包装】：很多摘要写【A显著影响B】，但如果没有【随机化】、【剂量-反应】、【敏感性分析】，这句话实际只能支持【在观测数据中A与B关联】。把【关联】写成【影响】，是审稿人最容易在方法段抓、读者却常在标题段信的错误。

【流程节点链路】从原始数据到可辩护结论：【数据清洗】→【模型假设】→【效应量估计】→【置信区间】→【p值/多重检验】→【实践意义判断】→【摘要措辞】。少掉【置信区间】或【实践意义判断】，【p值】就会从证据变成口号。

【待验证点】如果你只用【p值】决定摘要，请补一个测试：把同一个效应的【n】从【100】增到【1000】，【p值】会变化，但【效应量】未必变化。摘要若只写【显著】，读者无法区分【更强的证据】还是【更大的样本】。

如果你的摘要只能保留一句，你愿意写【p<0.05】，还是写【效应量d=0.35，95% CI [0.12, 0.58]】？为什么期刊摘要仍偏爱前者？