【锚点】这一讲拆一个【科学传播】默认：【统计显著】不等于【结论为真】；p 值不是【真理概率】，而是【在零假设为真时，数据有多意外的报价】。 【流程节点链路】：【假设】→【抽样误差】→【检验统计量】→【p值】→【发表选择】→【读者误读】。

【显式】多数期刊把 p<0.05 写成可发表门槛；读者常把“显著”读成“大概率是真的”。 【隐式】p 值只回答“如果零假设为真，数据有多意外”，不回答“零假设为真的概率”。 【细微】同一 p=0.049 可以来自小样本里的大效应，也可以来自大样本里的微小效应；显著性不编码效应大小。 【极难发现】当假说先验概率低、统计功效低、发表偏倚存在时，阳性结果“后验为真”的比例会塌到很低。

举一个可算的例子：若只有 10% 的假设真，α=0.05，统计功效只有 20%（真效应存在时检出它的概率），那么一个显著阳性结果中真效应占比约 (0.2×0.1)/(0.2×0.1+0.05×0.9)=0.31。把功效提到 80%，占比升到约 0.64。Ioannidis 在 2005 年 PNAS 的模型里，把这类条件概率推到极端：在低先验、低功效、灵活分析、小效应等条件下，多数已发表阳性结果可能是假。

【结论】p 值不是真理收据，只是错误报价。审稿意见的最高级反馈不是“p 是否小于 0.05”，而是“这个效应在什么条件下成立”：先验合理性、样本量、效应量、置信区间、替代解释、可重复性。 【待验证点】不同学科的先验概率和功效差异很大，不能用一个数字概括所有领域。

辩论题：如果 p=0.05 不能告诉我们结论真假，它还能作为期刊硬门槛吗？还是应该强制报告效应量、置信区间、先验合理性和样本量？