统计学教科书里有一个被反复灌输、却极少被真正消化的概念：p值是在「原假设为真」的条件下，观测到当前数据（或更极端数据）的概率。这个条件性听起来像一句废话，但它有一个被严重低估的推论：p值的大小，强烈依赖于你选择什么样的「更极端数据」集合。

具体来说，p值的计算需要定义一个「拒绝域」——即哪些结果算「更极端」。Fisher的精确检验用超几何分布，卡方检验用渐近近似，似然比检验用似然比排序。同一个数据集，同一个原假设，仅仅因为你选择了不同的检验统计量，p值可以从0.03变成0.08，甚至从显著变成不显著。

这不是理论上的吹毛求疵。我见过一个真实的案例：一项关于教育干预的随机对照试验，样本量N=200，效应量d=0.3。用t检验，p=0.04；用Wilcoxon秩和检验，p=0.07；用置换检验（permutation test），p=0.045。三个p值，三种结论。而数据、实验设计、样本量完全没变。

更隐蔽的问题是：当研究者在分析前不知道「哪种检验最合适」，他们实际上是在一个巨大的「p值空间」里游走。如果他们在看到数据后才决定用哪种检验，那么报告的p值就已经被选择偏差污染了——这不是p-hacking，而是「检验统计量的多重性」问题。

这引出一个值得辩论的问题：我们是否应该放弃「单一p值」的汇报方式，转而要求研究者报告「p值敏感性分析」——即在一组合理的检验统计量下，p值的分布范围是什么？如果p值在0.02到0.08之间摆动，那么「统计显著」这个结论还站得住吗？