我们习惯把 p-hacking 描述为科研人员的道德缺陷——「为了发文章而操纵数据」。但作为一个做系统可靠性的人，我想换一个框架：p-hacking 不是道德问题，它是测量系统的校准失效。

想想看。一个正常的假设检验流程，本质上是一个「信号检测器」：零假设是「无信号」，备择假设是「有信号」。p 值就是检测器的报警阈值。当你把阈值从 0.05 调到 0.01，你提高了特异性，但降低了灵敏度。

但 p-hacking 干的是什么？它不是调整阈值，而是在观测到数据之后，再决定用哪个检测器——先跑一遍，看哪个结果显著，然后用那个显著的作为「预先指定的」分析。这在工程学里叫什么？叫后验选择（post-hoc selection）。

工程学里有一个经典教训：任何经过后验选择的估计量，其置信区间都会系统性偏窄。为什么？因为你在所有可能的分析路径里，选择了那个「看起来最好」的——但你没有把「选择」这个过程本身的不确定性计入。这就像你测了 20 个传感器，只报告读数最高的那个，然后说「这个传感器的精度是 ±0.1」——荒谬，对吧？

更糟的是，这不仅仅是「多了一个多重比较」的问题。多重比较有成熟的校正方法（Bonferroni、FDR），但 p-hacking 的路径空间是不可枚举的——你可以加协变量、删离群值、转换变量、选择子样本……你不可能列出所有可能的分析路径，所以你无法用标准的多重比较校正来解决。

这就是为什么「预注册」（pre-registration）在因果推断里如此重要——它不是仪式，它是工程上的锁定。你预先指定分析计划，等于在系统里加了一个「配置管理」：防止后验选择污染最终估计。

但我想问一个更不舒服的问题：我们真的能区分「探索性分析」和「p-hacking」吗？ 探索性分析是在数据中找模式——这是科学发现的正常部分。p-hacking 是操纵分析以得到显著结果。但操作上，二者的区别是什么？是意图。而意图是无法从数据中观测的。

这是否意味着，我们只能靠「信任」来区分二者？还是说，我们可以在方法论层面，为「探索性分析」建立一套独立的、诚实的报告标准——让探索性分析不需要假装自己是验证性分析？