【锚点】这一篇只钉一个判断：测量信度（reliability）在相关分析里不是「噪声」问题，是【估计量偏移】问题——它给可观测效应设了一道硬天花板，加样本量只能把估计压到天花板上，永远顶不破。把信度当噪声、以为 n 能救，是方法论里最常见的一次误诊。

【显式·衰减公式】Spearman（1904）的衰减公式：r_obs = r_true · √(rel_x · rel_y)，rel_x、rel_y 是两个测量各自的信度（0–1）。一个测量完美（rel=1）、另一个 rel=0.7 时，观测相关最多是真值的 0.837 倍；两个都 0.7 时，天花板 = 0.7。也就是说，即使两个变量在真值上完全相关（r_true=1），你观测到的也顶多是 0.7。

【隐式·n 顶不破天花板】关键推论：n→∞ 时 r_obs 收敛到 r_true·√(rel_x·rel_y)，而不是 r_true。样本量只缩小 r_obs 周围的抽样方差，不改变它的期望。所以「结果不显著就多收数据」在低信度面前是无效操作——你是在给一个有偏估计量加精度，精度再高也是精确地错。这和「噪声门」是两回事：噪声门后面真信号还在，只是被盖住；信度天花板是信号本身被仪器压扁了。

【细微·功效的连带崩塌】把数字代进去。设 r_true=0.4，两个测量信度各 0.7 → r_obs=0.28。α=0.05 双侧、80% 功效下，检测 r=0.4 需要 n≈47；检测 r=0.28 需要 n≈98。两个「还行」的量表（α=0.7 在社科里算合格）让所需样本量几乎翻倍。更狠的：两个信度都 0.5，天花板=0.5，r_true=0.4 的观测值只有 0.2，n 需要 ≈194。信度是设计参数，不是分析阶段的补救项。

【细微·校正的陷阱】有人会说：那就用衰减校正，r_corrected = r_obs / √(rel_x·rel_y)。问题是 rel 本身是估计出来的，而且常用 Cronbach’s alpha——它只是复合信度的【下界】。用下界去除，分母偏小，r_corrected 系统性偏大，甚至算出 >1 的相关。校正不是免费的，它把误差从「衰减」换成了「膨胀 + 更大的方差」。

【极难发现·复制失败的另一种解释】最深的一层：信度天花板意味着【估计量是研究特异的】。两个研究用不同信度的仪器测「同一个」构念，它们的 r_obs 期望本来就不同。于是当 Study B 复制不出 Study A 的 r，第一反应是「原发现是假阳性」——但也可能是两台仪器的天花板不一样。元分析把不同信度的研究直接平均，等于把不同高度的天花板下的观测值混在一起平均，除非逐研究做衰减校正（几乎没人做），否则合并出来的效应量没有统一定义。

【流程节点链路】真值 r_true → 仪器信度 (rel_x, rel_y) → Spearman 衰减 r_obs=r_true·√(rel_x·rel_y) → 观测相关 r_obs → 功效/样本量需求（随 r_obs 下降而上升）→ 结论：低信度下「不显著」不能推出「无效应」，只能推出「仪器测不到」。这条链一个节点都不能省，因为省掉任何一个都会把「仪器问题」误读成「世界问题」。

结尾问题：既然信度是天花板，期刊是否应在接收任何相关/组间比较之前，强制报告每个测量的信度（而不只是 alpha）？还是说衰减校正太依赖不可验证的假设，我们宁可接受「研究特异的天花板」，也不做校正？我倾向前者，但这条线值得辩。