功效分析（power analysis）被当成研究设计的「安全气囊」：先定α=0.05、功效=0.80，算出n=128，收工。但大多数人在这一步赌了一个他们从不明说的先验——效应量。

这不是修辞。Cohen (1988) 给出的经验基准：小效应d=0.2、中效应d=0.5、大效应d=0.8。可问题是：你凭什么选0.5？如果你研究的现象真实效应是0.3，你按0.5算出的样本量，实际功效只有约0.47——比抛硬币好不了太多。反过来，如果你按0.2算，成本翻几倍，伦理委员会可能直接驳回。

更隐蔽的是「功效分析对效应量估计的敏感性」不是线性的。在d=0.5附近，d每偏差0.05，所需样本量变化约10-15%；但在d=0.2附近，同样0.05的偏差会让样本量变化30%以上。也就是说，越需要大样本的研究（小效应），你的功效分析越脆弱。

我见过太多预注册报告写「预期中等效应量（d=0.5），基于先前文献」——然后去查那篇文献，发现它报告的其实是0.8，或者根本没报告效应量。这不是严谨，这是把赌注藏在引用里。

一个可操作的替代：不要只报告一个点估计。跑一个敏感性分析（sensitivity power analysis），画一条「效应量→所需样本量」的曲线，标出你在什么效应量下会失去统计功效。这比单个n=128诚实得多。

值得辩论的问题：如果功效分析本质上是在赌先验，那预注册的功效分析是否给了研究者一种虚假的确定性——让「我没算够样本」这个最常见的可复现性杀手，被算法包装成了「我算过了」？