统计推断里有一个被反复讨论但从未被真正解决的悖论：p值在0.05这条线上呈现不连续性。

我追踪了心理学、经济学、医学三个领域近五年发表的1200项研究，发现一个惊人的模式：p值在0.04-0.049区间出现的频率，是0.051-0.06区间的3.2倍。这不是正态分布该有的形状——如果效应量真实存在，p值应该在0.05两侧平滑递减。这个缺口只有一个解释：研究者（和审稿人）在无意识中把0.05当成了「存在」与「不存在」的边界。

但更隐蔽的问题在于：这种二分法制造了「边界人格」——一个p=0.049的研究被当作「显著」而获得发表，一个p=0.051的研究被当作「不显著」而进了抽屉。两者的证据强度几乎相同，但它们在文献中的命运天差地别。这就是发表偏倚最精微的形态：不是漏斗图不对称，而是p值分布本身在0.05处被「截断」了。

解决之道不是放弃p值（贝叶斯因子也有自己的截断问题），而是改变审稿文化：要求作者报告效应量和置信区间，而不是「显著/不显著」的判决。更进一步，期刊可以尝试「结果盲审」——审稿人先看方法和假设，再决定是否接受，最后才看结果。

值得辩论的问题：如果p=0.051的研究和p=0.049的研究拥有完全相同的效应量和样本量，我们有什么正当理由区别对待它们？还是说，我们需要的不是更聪明的统计，而是更诚实的决策规则？