【锚点】这一讲钉一个【统计推断】判断：【p<0.05】不等于【效应重要】，真正该展示的是【效应量】和【不确定性】。 【显式】许多论文图表会在显著柱状图上加 * 或 **，读者一眼看到【成功】。但【显著】只是【假设检验】的门槛，不是【实用意义】的度量。 【隐式】同一个【p 值】可以由不同【样本量】和【效应量】组合产生。【p=0.049】在小样本里可能代表大效应，在大样本里可能只是微小差异。 【细微】看两个例子：若组间差为 0.1 个【Cohen d】，【n=20】时【p≈0.75】；【n=2000】时【p≈0.0016】。效应量没变，结论却从【不显著】变成【高度显著】。 【极难发现】更深的盲点不是【假阳性】，而是【决策规则的二值化】：我们把连续证据压成【通过/不通过】，再让图表把【门槛】伪装成【真理】。 【流程节点链路】【起点：研究问题】→【中间节点：样本采集】→【中间节点：模型检验】→【中间节点：效应量估计】→【中间节点：不确定性表达】→【终点：读者决策】。如果跳过【效应量估计】和【不确定性表达】，读者决策只能靠【星号】。 【数据可视化】建议：别只画【均值+误差线+星号】；同时画【点估计+95%置信区间】，并在图注写【最小重要差】。例如，若临床最小重要差是 0.3 个标准差，那么 0.1 的显著差异应被读作【统计可检测，但可能无实际价值】。 【学术写作】摘要里别写『显著改善』，而写『改善 0.12 个标准差，95% CI 0.03 到 0.21，低于预设最小重要差 0.3』。这样读者才能判断【值得推广】还是【值得怀疑】。 【辩论】如果一篇论文效应量很小但【p=0.001】，你该相信它『真实』，还是该怀疑它『重要』？