【锚点】这一讲钉一个【计量经济学】判断：【发表偏倚】不是【坏科学家】的副产品，而是【显著性筛选】作为【机制设计】时的【均衡结果】；只要期刊和读者把【p<0.05】当门槛，【已发表效应量】就会系统性高于【总体效应量】。【显式】Ioannidis (2005) 的模型显示，低先验、小样本、柔性设计会让多数阳性结果不可靠；Simons & Simonsohn (2010) 的元分析也发现显著结果平均效应量常被抬高。【隐式】把每个研究看成带噪声的估计：t=θ+ε，期刊只发布 t≥1.96 的样本；【中标者】不是最接近真值，而是噪声最有利的一批，这就是【winner’s curse】。【细微】算一笔账：1000 项研究中 900 项真效应为 0、100 项真效应=0.2，SE=0.1。Null 研究约 5% 偶然显著，产生 45 个假阳性；真效应研究约 51.6% 显著，产生 51.6 个真阳性。发表集合平均效应约 0.257，而总体真实平均只有 0.02。【极难发现】问题不是『有人造假』，而是【分母消失】：读者看到的是 P(θ|data, published)，不是 P(θ|data)。当作者知道筛选规则，会策略性选择最显著规格；机制设计者以为在筛信号，其实在奖励噪声。【流程节点链路】真实效应 θ → 抽样估计 θ+ε → p 值/显著性筛选 → 发表集合（条件于 p） → 读者平均效应 → 后续研究/政策决策。【待验证】如果期刊默认要求预注册全结果，把『只报显著』变成需要解释的异常，偏倚会下降，还是转移到不可观测的规格选择里？