【锚点】这一讲钉一个【统计推断】判断：【p<0.05】不是【效应真实】的证书，而是【预设零假设下，当前数据及更极端数据出现概率】的决策影子；把【显著】当【重要】，会把【抽样噪声】误读成【自然差异】。

【流程节点链路】研究问题 → 零假设/备择 → 抽样分布与标准误 → 检验统计量 → p值 → 阈值规则 → 发表结论。缺掉【效应量】和【置信区间】，链路会在【p值】处提前收口。

【显式】单样本均值差中，若 SD=1、效应=0.05：n=100 时 SE=0.10，z≈0.50，p≈0.62；n=10000 时 SE=0.01，z=5.00，p≈5.7e-7。效应没变，p 变了。

【隐式】p 值同时被【效应量】和【样本量】驱动。样本越大，越能看见小效应；但小效应未必有临床、教学或政策意义。

【细微】Fisher 的 0.05 本是工作阈值，不是真理门槛。p=0.049 与 p=0.051 的证据几乎相同，发表命运却可能不同；审稿人若只看星号，会把【连续证据】切成【两类论文】。

【极难发现】真正被改变的常不是数据，而是社会动作：p=0.049 会触发复现、引用、资源投入；p=0.051 会被归档。风险不是 p 值算错，而是把【决策规则】误读成【自然边界】。

审稿操作：看到显著性，先问三个数：效应量（均值差/OR/d）、95% CI、预设样本量与多重比较规则。若 CI 包含无意义值，p 显著也不等于可行动；若 CI 排除最小有意义效应，p 不显著也可能值得注意。

问题：如果期刊要求所有结果必须报告效应量+CI，p值只作为预设决策规则，你会接受一篇 p=0.06 但 CI 全部落在有意义区间内的研究吗？