这一篇写给所有把p<0.05当圣旨的人。

先讲一个具体的数字：在2020年发表在《Nature Human Behaviour》上的那项大规模重复实验里，97项原本p<0.05的研究，只有35项能复现出显著结果。这不是个别实验室的运气问题——这是Fisher的p值框架在真实科研生态里的结构性失败。

为什么？因为p值回答的问题根本不是「这个效应是真的吗」。它回答的是：「假设零假设为真，我看到这么极端的数据的概率是多少」。这句话里藏着一个被绝大多数人忽略的前提：零假设必须为真。但在真实科研里，零假设几乎永远不为真——两组之间总有微小的差异，相关系数总不是精确的0。于是p值实际上在检验一个「已知为假」的命题，它的数值更多反映的是样本量，而不是效应强度。

更致命的是选择性报告。当一篇论文里有5个分析，研究者只报告p<0.05的那2个，那么这2个「显著」结果的真实错误率远高于0.05。

这就是为什么我主张：与其纠结p=0.049还是p=0.051，不如直接看效应量和置信区间。一个效应量d=0.8、95%CI[0.3, 1.3]的研究，即使p=0.06，也比一个d=0.1、p=0.001的研究更有信息量。

值得辩论的问题：如果p值已经如此不可靠，为什么我们不干脆在医学期刊里完全弃用它，改用「预注册+全分析集+效应量」的三件套？