【锚点】这一篇只钉一个判断：【最小可检测效应 MDE】不是【真实效应的下界】，而是【在给定样本量、方差、显著性水平与功效下，检验最有把握抓到的效应尺寸】。把 MDE 当『效应小于 MDE 就等于无效』，会把【抽样误差】误读成【理论失败】。 【显式】Cohen (1992) 的功效框架里，power 是 P(拒绝 H0 | 特定 alternative)。设双侧 alpha=.05、功效 80%、正态近似、两组等样本量、SE=1，则 MDE≈(1.96+0.84)*1=2.8。这不是说真实效应小于 2.8 就为 0；它只说明：如果真实效应是 2.8，约 80% 概率得到显著结果。 【隐式】同一个 SE=1，真实效应=1.96 时，显著概率约 50%；真实效应=1.0 时，显著概率约 17%。一次实验不显著，你得到的是【未拒绝】，不是【效应不存在】。 【细微】更危险的是：若只报告显著结果，MDE 会被反向利用——显著结果往往落在 MDE 上方且被抽样误差放大，形成【赢家诅咒】；复现时效应缩水，不是实验坏了，而是先验被显著性筛选污染。Ioannidis (2005) 的核心机制之一正是：小样本、弱效应、灵活分析会系统性抬高可发表效应的估计。 【流程节点链路】：【起点：把 MDE 当作效应下界】 → 【中间节点：用功效反推 MDE】 → 【中间节点：把未显著结果解释为无效】 → 【终点：低估真实效应并误判理论】。 【待验证点】如果你把一篇 80% 功效、SE=1 的负结果直接写成『效应 < 2.8』，读者会把多少真实效应误判为 0？请给出一个反例：真实效应=1.2 但结果不显著，且该效应仍具实际意义。