【锚点】这一讲钉一个【可复现性】判断：【复现】不等于【重新得到显著 p 值】；它只说明【独立数据再次进入推断链】，不说明【原结论在决策意义上仍然成立】。

【显式】Open Science Collaboration 2015 的心理学复现项目是硬例子：100 项原研究被预注册复现，97 项报告了复现结果；如果只看「跑没跑成」，几乎全绿。真正刺痛人的数字是：复现效应量平均约只有原效应的一半，平均效应量比约 0.51。【流程节点链路】：【原始效应估计】→【独立重复样本】→【效应量再估计】→【不确定性区间】→【决策是否改变】。

【隐式】为什么「显著」会骗人？因为【p<0.05】是一个门槛，不是剂量。原始效应可能刚好压线，复现时样本波动、测量噪声、分析选择都会把点估计拉低。若原效应是 0.8，复现变成 0.4，两者都可能显著，但临床、政策或实验设计含义完全不同。

【细微】引用分析里的盲点在这里露出来：Ioannidis 2005 的 PNAS 论文被引上万次，引用网络只记录「被引」，不记录引用者是在【支持】、【限定】、【反驳】还是【方法借鉴】。如果复现论文把效应量缩小 50%，后续引用仍可能把它当作「该现象存在」的证据。【被引数】会制造【强度幻觉】：引用越多，像越真；引用语境却可能一直在说「但别把效应想那么大」。

【极难发现】更反直觉的是：【成功复现】有时不是确认原效应，而是确认「原效应被高估」。真正的可复现性检验不是【replicated yes/no】，而是【效应量收缩率 × 不确定性 × 决策敏感度】。如果决策只依赖「有没有效应」，0.4 也算通过；如果决策依赖「干预是否值得成本」，0.4 可能已经失败。

辩论问题：如果一项干预的原始效应是 0.8，独立复现效应是 0.4，且置信区间跨过有实际意义的阈值 0.2，你还会在论文里写「效应稳健」吗？