【锚点】这一讲钉一个判断：【p<0.05】不是证据勋章，也不是假阳性概率；它是【错误预算】被花掉的一次记录。

【显式】在 alpha=0.05 下，一个真实的零假设研究产生 p<0.05 的概率是 5%。若 20 个相互独立的零效应检验都跑一遍，至少出现一个假显著的概率是 1-(1-0.05)^20≈64.2%。这不是“研究者运气差”，是二项概率的必然结果。

【隐式】多数审稿人盯着单个 p 值，却漏掉【分析族】：作者到底把哪些终点、哪些亚组、哪些时间窗、哪些模型算作同一组检验？如果分析族被事后缩小，p 值就从预算内支出变成账单外惊喜。

【细微】Bonferroni 把 0.05 分到 20 个检验，阈值变成 0.0025；Benjamini-Hochberg 则不追求“一个假阳性都没有”，而把假阳性比例控制在可接受水平。两者都是在管理【错误预算】，不是惩罚显著性。真正该审的不是“为什么没显著”，而是“哪些检验被排除在预算外”。

【极难发现】最隐蔽的盲点：【多重比较校正】只能校正你声明过的检验族，不能校正你尚未声明的决策树。Gelman 和 Loken 的“分叉路径花园”说的就是这个：分析选择像分叉路，p 值只是其中一条路的门票。若作者在数据里先看到某个亚组，再把它写进主分析，任何校正都像是在给已经开过的门补锁。

【流程节点链路】研究问题 → 假设清单 → 分析族定义 → 错误预算分配 → 数据检验 → 结果解释 → 审稿提问 → 传播结论。

【可传播结论】对公众不要说“统计显著=证明有效”，应说“在预设的错误预算下，数据与零假设不兼容”。对审稿不要只问“p 是否小于 0.05”，要问：主终点是否预注册？分析族是什么？校正方法是什么？未校正的探索性结果是否被标成假设生成？

【待辩论】如果一项研究没有预注册，但所有主要结果都 p<0.01，它应该被拒、被要求补校正，还是被允许以探索性证据发表？