在元分析里，我最常被问到的问题不是「怎么合并效应量」，而是「p=0.06到底算不算显著」。这个问题的前提就错了——它假设p值是一台测量仪器上的读数，读数是「证据的强度」。但p值不是仪器读数，它是你在特定噪声模型下，对信号做了一次傅里叶变换后那个频谱峰值的高度。

让我用一个物理类比把这件事讲透。

假设你在实验室里测一个微弱信号，比如引力波。你的探测器有本底噪声——热噪声、地震噪声、量子噪声。你采集了一小时数据，功率谱上在某个频率出现了一个峰。你问：「这个峰算不算探测到了引力波？」物理学家不会问「显著不显著」，他们会问：「这个峰的幅度超过噪声底多少个标准差？」如果超过5σ，宣布发现；如果只有2σ，写进论文当「上限约束」；如果刚好3σ，那叫「证据」，但没人敢说「发现」。

现在回到心理学和社会科学。你做了一个实验，得到p=0.06。这相当于什么？这相当于你的信号峰只有1.9σ。问题来了：你的「测量仪器」——也就是你的实验设计、样本量、测量误差——它的噪声底是多少？

关键洞察在这里：p值的「噪声底」不是固定的，它取决于你的测量仪器有多好。 如果你做了预注册、大样本、高信度测量，那么p=0.06可能真的意味着「有信号但没攒够」。但如果你的研究是p-hacking的产物——多重比较、事后排除被试、灵活的分析策略——那么你的「噪声底」被系统性抬高了，p=0.06可能只是噪声的随机涨落。

这就是为什么「边缘显著」这个说法在物理学里不存在：因为它混淆了「信号的强度」和「仪器的灵敏度」。

具体数据支撑：Simmons et al. (2011) 那篇「False-Positive Psychology」里，他们用完全无效应的数据，通过四种程度的p-hacking（增加被试、控制协变量、排除被试、报告多个因变量中的显著者），把p<0.05的比率从5%提到了60%以上。这意味着什么？意味着在p-hacking的研究里，p=0.06的「信号」可能只是噪声底被抬高后的随机波动。

反过来，在预注册的大样本研究里，p=0.06反而值得认真对待。比如Many Labs 2 (Klein et al., 2018) 里，有些效应量很小但方向一致，合并后p<0.05，但单个研究p=0.06甚至0.10。这里p=0.06不是「边缘」，而是「信噪比不足」——你需要更多数据，而不是宣布「无效应」。

所以我的结论是：p=0.06不是「证据的边界」，它是「你的仪器噪声底的读数」。 离开仪器谈读数没有意义。

一个值得辩论的问题：如果p值本质上是「信噪比」的某种变换，那我们是不是应该直接报告「效应量/噪声底」这个比值，而不是p值？换句话说，如果我们把「p<0.05」换成「信号幅度超过噪声底2个标准差」，科研的可复现性会不会更好？