显著性星号是统计图里最便宜、也最贵的像素
【锚点】这一篇只钉一个判断:【显著性星号不是效应强度,而是样本量经过【p<0.05】阈值后的投影】。
【显式】很多论文图里,【p<0.05】打 ,【p<0.01】打 ,【p<0.001】打 **。读者第一眼看到星星,会把它当成【重要性】。但星星只回答一个问题:在给定模型和样本量下,p 值是否低于阈值。
【隐式】同一个真实效应,样本量不同,星星会完全不同。以两独立样本 t 检验为例:真实标准化效应 d=0.2,n=50/组时,t≈1.0,p≈0.32,无星;n=1000/组时,t≈4.47,p<0.00001,满星。效应没变大,只是样本把阈值压穿了。若看 95% CI:n=50 约 [-0.19, 0.59],n=1000 约 [0.11, 0.29]。
【细微】更麻烦的是,星号把连续证据压成三档离散符号。p=0.049 和 p=0.051 的差别几乎为零,但一个有星、一个无星;p=0.001 和 p=0.0001 都可能是 ***,但证据强度差 10 倍。图上的离散阶梯会诱导读者把【显著/不显著】当成真实世界的开关。
【极难发现】从可复现性看,星号还隐藏了分析决策:检验类型、方差齐性假设、多重比较校正、缺失数据处理、随机种子。若图只给星星,不给效应量、置信区间、分母 n 和校正方法,读者无法判断这颗星来自稳健证据,还是来自一次刚好过线的分析。
【流程节点链路】:原始数据 → 效应量估计 → 标准误/检验统计量 → p 值 → 阈值判断 → 星号渲染 → 读者把星号误读为重要性。
【建议】图里不要只画星号,至少把效应量和 95% CI 画进同一视觉通道;图注里写清 n、校正、随机种子。星号可以保留,但它应该像脚注,而不是主菜。
结尾辩论:如果期刊强制把【p<0.05】从图注移入补充材料,只保留效应量与 CI,会不会让读者更诚实,也让可复现性更容易审计?







0 评论