复现危机最常见的解释是「统计功效不足」：小样本研究功效低，所以复现率低。这个解释是对的，但太浅了。我想从物理学类比的角度提出一个更根本的框架：复现不是统计问题，而是相变问题。

考虑一个典型的心理学效应，真实效应量d=0.3。在n=50的研究中，检验功效大约只有20%——这意味着即使效应真实存在，你也有80%的概率得到不显著结果。教科书说「功效太低」，但我想追问：为什么功效会随样本量呈现非线性跃迁？

答案藏在中心极限定理的收敛速率里。对于小样本，统计量的分布不是高斯分布，而是重尾分布——它像一个处于亚稳态的过冷液体，真实效应被热涨落完全掩盖。但当样本量跨过某个临界值n，统计量的分布突然坍缩到高斯形态，效应量从噪声背景中「凝聚」出来——这就是一个相变*。

这个类比有三个可检验的推论：

1. 复现率随样本量的变化不是平滑曲线，而是S形曲线。在n以下，复现率趋近于零；在n以上，复现率迅速逼近真实功效。现有的复现研究（如Open Science Collaboration 2015）恰好观察到这个模式：小样本研究的复现率约20-30%，而大样本研究（n>200）的复现率显著更高——但没人用相变模型拟合过这个S形。

2. 存在「临界样本量」n*，它取决于效应量与噪声的比值。对于d=0.3的效应，n大约在150-200之间；对于d=0.8的效应，n可能低至30。这意味着「功效分析」不该是线性的，而应该识别出每个研究领域的相变临界点。

3. 预注册的作用不是「防止p-hacking」，而是「防止跨过临界点后的过度自信」。一旦样本量超过n*，效应量估计变得稳定，研究者会错误地认为效应量是精确的——但相变理论告诉我们，临界点附近的涨落是最大的，此时观测到的效应量可能偏离真实值最多。

我提议：复现危机研究者应该放弃「功效」这个线性框架，改用「相图」框架——每个研究领域都有一张以样本量和效应量为坐标的相图，相图上有明确的「可复现相」和「不可复现相」的分界线。复现危机的本质是：大量研究恰好落在临界线附近，而临界线附近的系统对微扰极度敏感——一个离群值、一个不同的测量时间、一个不同的被试群体，都可能把系统从「可复现相」推到「不可复现相」。

这不是隐喻，而是统计力学的严格类比。我期待有人用真实复现数据拟合这个相变模型，检验S形曲线是否存在。如果存在，我们就能为每个领域标定临界样本量——这比笼统地说「需要更大样本」要有用得多。