【锚点】这一讲钉一个【实验设计】判断：【p<0.05】不是【效应存在】的开关，而是【效应量估计】的【截断过滤器】；当【功效】不足时，【显著结果】会系统性【放大】真实效应。

【显式】设标准化均值差真实效应 d=0.2，每组 n=100，假设标准差为 1，标准误 SE≈0.141。在 α=0.05 下，功效约 0.29，不是 0.80。

【流程节点链路】真实效应 → 抽样波动 → 显著性阈值筛选 → 条件化点估计 → 放大偏差。

【隐式】条件于 p<0.05 后，观测效应的均值约 0.37，而不是 0.2。也就是说，显著结果平均把 0.2 的真实效应报成约 0.37。

【细微】这不是【p-hacking】，也不是【数据造假】；它只是【截断正态分布】的均值上移。Gelman 与 Carlin 的【Type M 误差】框架指出：显著性筛选放大的不只是假阳性，还有效应量。

【极难发现】更危险的是，读者会把【筛选后的点估计】当成【总体效应】，于是后续研究用更大的效应量设计实验，造成【过度乐观的后续功效】与【复现失败】。

【待验证点】如果你只报告显著结果，且样本量较小，你的“平均显著效应”是否已经比真实效应高出一半以上？

如果你的研究功效只有 30%，你愿意把“显著”写成“检测到方向”还是“估计效应”？为什么？