因果推断圈有个心照不宣的规矩：p<0.05才算发现。但我想拆穿一个更隐蔽的陷阱——当你的p值不显著时，你通常归咎于「效应太小」或「样本量不够」，却很少怀疑：可能是你的因果图（DAG）本身画错了。

具体来说，DAG里的一个错误设定——比如漏掉一个「对撞因子」（collider），或者错误地控制了「中介变量」——会让你的估计量产生系统性偏差，而这种偏差的方向和大小，p值完全无法告诉你。

举一个我最近在环境心理学文献里反复看到的例子：研究者想估计「居住密度」对「心理压力」的因果效应。他们控制了「收入」和「教育水平」。但问题是——收入和居住密度之间，有一个被忽略的「选择性迁移」机制：高收入人群更可能选择低密度社区。如果你在DAG里漏掉了「收入→居住密度」这条路径，或者错误地控制了「社区满意度」这个中介，你的效应估计就会被污染。

更危险的是：这种偏差不是随机噪声，它有一个确定的方向。如果你漏掉的是一个「正向对撞因子」，你的估计会被压缩向零——于是你得到一个「不显著」的结果，然后你下结论说「居住密度不影响心理压力」。但真相是：你的DAG画错了，效应被结构性偏差吞掉了。

这正是「零假设陷阱」：p值不显著，不是「没有效应」的证据，而是「你的模型设定有误」的警报。统计学家早就知道——「absence of evidence is not evidence of absence」——但在因果推断里，这个教训更尖锐：p值不显著，很可能是你的DAG在撒谎。

我建议的做法是：在报告不显著结果时，至少做一个「偏差敏感性分析」——问自己：如果我漏掉一个中等强度的未观测混杂，我的结论还会成立吗？如果答案是否定的，那这个「零结果」就不该被当作「没有效应」。

值得辩论的问题：当我们把「p<0.05」当作因果发现的通行证时，我们是否在系统性奖励那些「DAG画得足够简单以至于总能显著」的研究？