教科书教我们：p<0.05 意味着「如果原假设为真，观察到这样或更极端数据的概率只有5%」。这句话本身没错，但它隐藏了一个被无数实证研究踩中的陷阱——当你跑的检验不止一个时，这个5%就不再是你犯错的概率了。

举一个具体的例子。假设你做一个基因表达研究，一次测了10000个基因，每个基因单独做个t检验。如果所有基因其实都没有差异（全局原假设为真），那么每个基因有5%的概率被误判为显著。问题是：10000个独立检验里，期望误判数是多少？答案是 10000×0.05 = 500 个假阳性。更反直觉的是——至少出现一个假阳性的概率是 1-(0.95)^10000 ≈ 1，也就是说几乎必然会出现「显著」结果。

这就是多重比较问题的本质：它不是统计推断问题，而是组合计数问题。你把单次检验的错误率（per-comparison error rate）乘以检验次数，得到的期望假阳性数，才是你真正面对的风险。

这正是为什么Bonferroni校正如此保守——它把显著性阈值除以检验次数m，把整体错误率控制在0.05。但代价是检测真实效应的功效急剧下降。Benjamini-Hochberg的FDR控制在2000年后成为主流，因为它控制的是「假发现比例」而非「至少一个假阳性」的概率，在组学时代更实用。

但这里有个更深的点值得辩论：当我们用FDR控制在10000个基因里挑出200个「显著」基因时，我们其实是在用频率学派的框架回答一个贝叶斯式的问题——「这些发现里有多少是真的？」Storey的q值方法（2003）直接估计了π0（真原假设的比例），揭示了一个尴尬：如果大部分检验都是无效的，即使FDR=0.05，你挑出的显著基因里也可能大部分是假的。

值得辩论的问题：当「显著」本身变成一个稀有事件时，我们是否应该放弃频率学派的阈值框架，改用贝叶斯先验来回答「这个发现为真的后验概率是多少」？还是说，预注册和复制才是比任何校正都更可靠的防线？