在科研训练中，几乎所有研究者都会被反复强调一个数字——P = 0.05。当实验结束、统计分析完成后，很多人最先关注的问题往往是：“结果显著了吗？”
如果P值小于0.05，研究似乎就成功了；如果P值大于0.05，研究似乎就失败了。
然而近年来，越来越多统计学家开始质疑这种二元化思维。一个结果即使达到了统计学显著性，也未必具有理论价值、临床价值或实际应用价值。特别是在大样本研究越来越普遍的今天，研究者甚至可以轻易获得统计学显著但几乎毫无实际意义的结果。
正是在这样的背景下，最小效应量（Smallest Effect Size of Interest，SESOI）逐渐成为开放科学（Open Science）、医学研究、心理学研究以及循证实践领域的重要概念。与传统统计学关注“效应是否存在”不同，SESOI关注的是另一个更重要的问题：这个效应是否足够大，值得我们认真对待？
对于科研人员而言，理解SESOI不仅有助于更合理地解释研究结果，还会影响研究设计、样本量计算、统计分析以及论文写作的整个过程。
为什么审稿人不满意一个P=0.03的结果？
假设你开发了一种新的降压药，并开展了一项大型随机对照试验。研究共纳入5000名高血压患者。结果显示，对照组平均收缩压为140 mmHg，实验组平均收缩压为139 mmHg，两组差异为1 mmHg。由于样本量巨大，统计分析得到：P = 0.002
按照传统标准，这显然是一项成功的研究。论文作者很可能会在摘要中写道：The treatment significantly reduced systolic blood pressure.
然而当论文进入同行评审阶段时，审稿人可能会提出一个非常关键的问题：“降低1 mmHg真的具有临床意义吗？”
事实上，对于高血压治疗而言，许多临床专家认为至少降低5 mmHg以上才可能带来明显的心血管获益。换句话说，虽然研究发现了统计学显著差异，但这种差异可能小到不足以改变临床决策。这正是SESOI试图解决的问题。SESOI的出现提醒研究者，仅仅证明效应存在是不够的，我们还需要证明这种效应足够重要。
什么是SESOI？它为什么越来越重要？
SESOI全称为 Smallest Effect Size of Interest，通常被翻译为“最小效应量”“最小关注效应量”或“最小有意义效应量”。简单来说，它指的是：一个效应至少要达到多大，研究者才认为它具有理论意义、实践意义或临床意义。
例如，一项教育学研究发现新的教学方法能够让学生平均成绩提高1分。虽然这一差异可能达到统计学显著，但对于学校管理者而言，1分的提升或许根本不足以支持课程改革。如果学校认为成绩至少提高5分才值得推广，那么5分就可以被视为该研究中的SESOI。
需要注意的是，SESOI并不是统计分析后计算出来的结果，而是在研究开始之前就应该被明确界定的标准。它类似于一条“价值分界线”，帮助研究者区分哪些效应值得关注，哪些效应虽然存在但并不重要。
SESOI之所以在近年来受到广泛关注，与学术界持续讨论的“可重复性危机（Replication Crisis）”密切相关。许多研究发现，大量发表论文虽然报告了显著结果，但实际效应极其微弱，难以复制，也缺乏现实意义。研究者逐渐意识到，单纯追求P值显著并不能保证研究具有科学价值。
因此，现代统计学开始强调：不仅要问“是否存在效应”，更要问“效应是否足够重要”。
SESOI如何改变研究结论？
SESOI最直观的价值体现在研究结果的解释上。同样的数据，在引入SESOI之后，结论往往会发生明显变化。
首先来看降压药案例。如果研究开始前预先规定：SESOI = 收缩压下降5 mmHg
最终结果显示平均下降1 mmHg，虽然P值小于0.01，但由于1 mmHg远低于5 mmHg，因此更合理的结论应当是：该药物能够产生统计学显著的降压作用，但尚未达到具有临床意义的效果。
再看教育学研究。某高校比较两种教学模式后发现，新教学法使学生考试成绩平均提高2分，统计分析显示P=0.01。然而学校管理层认为，只有提高5分以上才值得投入额外经费推广。此时研究虽然成功证明了差异存在，但从实践角度看并未达到预期价值。
心理学研究中也经常出现类似情况。假设研究者根据理论预先规定：Cohen's d = 0.30 为SESOI
实验结束后得到：Cohen's d = 0.18，P < 0.05
此时结果说明理论预测方向正确，但效应强度明显低于研究者预期。因此讨论部分不能简单宣称理论获得支持，而应当指出效应虽然存在，但其大小可能不足以支持重要理论推论。
这些例子共同说明，SESOI能够帮助研究者避免把所有显著结果都视为“成功发现”。
SESOI、效应量和P值到底是什么关系？
许多研究人员第一次接触SESOI时，容易将它与效应量（Effect Size）混为一谈。实际上，两者扮演着完全不同的角色。P值回答的问题是：效应是否能够与随机误差区分开来？效应量回答的问题是：效应究竟有多大？而SESOI回答的问题则是：多大的效应才值得关注？可以把三者理解为一个完整的决策体系。假设研究发现：
- Cohen's d = 0.20
- P = 0.001
如果研究者事先设定：
- SESOI = 0.30
那么最终结论应当是：
效应存在（P值显著），效应大小为0.20（效应量），但尚未达到预先定义的重要程度（SESOI）。
从这个角度看，P值、效应量和SESOI并不是彼此替代的关系，而是共同构成结果解释的三个维度。
未来高质量研究的标准将不再是简单报告：
P < 0.05
而是同时报告：
P值、效应量及其相对于SESOI的位置。
SESOI与MCID有什么区别？
对于医学研究者而言，经常会接触另一个类似概念——MCID（Minimum Clinically Important Difference），即最小临床重要差异。事实上，MCID可以被看作SESOI在临床医学中的具体应用。
以慢性疼痛研究为例。研究人员常使用视觉模拟量表（Visual Analog Scale，VAS）评价疼痛程度。假设一项治疗使患者疼痛评分平均下降0.8分，统计分析显示P<0.001。
从统计学角度看，这无疑是一个显著结果。但问题在于，患者是否真正感觉到改善？
进一步研究发现，大多数患者需要至少下降2分以上，才会主观认为疼痛有所缓解。那么在这种情况下：
MCID = 2分
如果治疗效果只有0.8分，即使统计学显著，也不能认为其具有明确临床价值。
这也是近年来许多临床试验越来越强调MCID的原因。实际上，研究者完全可以将MCID视为临床研究中的SESOI，并据此设计研究、计算样本量以及解释结果。
SESOI是如何确定的？
确定SESOI往往是整个研究过程中最困难的环节，因为它涉及科学判断，而不仅仅是统计计算。
目前学术界主要采用四类思路来确定SESOI。
第一种方法是依据临床或实践意义确定阈值。例如糖尿病研究中，许多指南认为糖化血红蛋白（HbA1c）下降0.5%以上才具有临床价值；肿瘤学研究中，生存期延长3个月以上可能才被认为值得关注。这些标准通常来源于专家共识、临床指南或长期随访研究。
第二种方法是利益—成本分析。公共卫生研究经常采用这种思路。例如一种新疫苗即使只能降低1%的感染率，但如果面向数亿人口接种，仍然可能预防数十万病例。此时SESOI可以设置得相对较低，因为即便是微小效应也可能产生巨大社会效益。
第三种方法是理论驱动。许多基础科学研究并不存在明确的临床终点，因此研究者需要根据理论预测确定SESOI。例如某认知理论认为，只有达到Cohen's d=0.40以上的效应才足以支持理论机制。如果实验仅得到0.10或0.15的效应，即使显著，也无法构成有力证据。
第四种方法是近年来越来越受重视的锚定法（Anchor-Based Method）。这种方法直接从研究对象的感受出发，通过主观评价与客观指标建立联系。例如在生活质量研究中，研究者询问患者何时开始感觉症状改善，然后将这种主观变化对应到量表得分变化上，从而确定SESOI。
无论采用哪种方法，一个重要原则始终不变：SESOI应当在数据收集之前预先定义，而不是在结果出来之后再进行调整。
否则研究者很容易根据结果反向修改标准，从而产生解释偏差。
SESOI如何影响样本量计算？
对于科研人员来说，SESOI最实际的应用之一就是样本量设计。
传统样本量计算通常需要输入一个预期效应量。很多研究者直接参考文献，使用Cohen提出的小效应（0.2）、中等效应（0.5）或大效应（0.8）作为依据。然而这种做法经常受到批评，因为这些标准并不一定适用于具体研究问题。SESOI提供了一种更加科学的思路。研究者首先思考：多大的效应才值得关注？然后围绕这一效应设计研究。例如，一项心理学实验认为：d = 0.30 为SESOI
研究者随后进行样本量计算，确保研究具有80%统计功效来检测d=0.30的效应。如果最终研究未能发现d≥0.30的效应，那么即使存在更小的差异，也可能缺乏实际价值。
这种思路的优势在于，研究设计从一开始就围绕“有意义的效应”展开，而不是单纯追求显著性结果。
SESOI如何改变结果解释？
近年来，越来越多研究者建议同时关注零效应线（Null Value）和SESOI界限。
这也是你提供图片所表达的核心思想。
传统统计学只关注置信区间是否跨越零效应。如果95%置信区间不包含零，就认为结果显著。然而SESOI框架下，还需要进一步观察置信区间与SESOI的位置关系。
最理想的情况是整个置信区间完全位于SESOI以上。这意味着研究不仅发现了真实效应，而且这一效应已经达到临床或实践意义。
如果置信区间虽然排除了零效应，但部分区域仍然低于SESOI，则说明研究结果具有一定潜力，但尚不能确认其实际价值。
还有一种情况经常被忽视：置信区间完全高于零，却始终低于SESOI。这种结果属于典型的：Statistical significance without practical significance
即统计学显著，但缺乏实际意义。这种情况在大样本研究中非常常见，也是SESOI概念诞生的重要原因之一。
SESOI与等效性检验：从“发现差异”到“证明差异不重要”
SESOI的另一个重要应用是等效性检验。传统显著性检验的逻辑是：判断效应是否不同于零。而等效性检验则试图回答：效应是否小到可以忽略？
例如某仿制药研究并不需要证明药物比原研药更好，而是需要证明两者之间不存在具有临床意义的差异。此时研究者首先设定SESOI边界，例如±5%。如果结果显示差异完全落在这一范围内，就可以认为两种药物具有临床等效性。
事实上，目前大量非劣效试验（Non-Inferiority Trial）、生物等效性研究（Bioequivalence Study）以及医疗器械评价研究，都是建立在SESOI思想基础上的。
在论文中如何报告SESOI？
随着开放科学运动的发展，越来越多期刊开始鼓励作者明确报告SESOI及其确定依据。在研究设计部分，可以这样描述：Based on previous clinical evidence, a reduction of 5 mmHg in systolic blood pressure was defined as the smallest effect size of interest (SESOI).
在样本量计算部分，可以说明：
Sample size was determined to provide 80% power to detect the predefined SESOI.
在结果部分，则应同时报告实际效应与SESOI的比较：
Although the treatment effect was statistically significant (P = 0.01), the observed reduction of 2.1 mmHg did not exceed the predefined SESOI of 5 mmHg.
而在讨论部分，则应重点分析研究结果是否真正达到理论、临床或实践意义，而不仅仅关注统计显著性。这样的报告方式能够显著提升研究结论的解释力，也更符合当前高水平期刊倡导的统计报告规范。
最后
过去几十年，科研界几乎将P<0.05视为研究成功的标志。然而随着统计学的发展，人们越来越认识到，一个效应即使达到统计学显著，也未必具有科学价值。SESOI的出现代表了一种重要的思维转变。它要求研究者在研究开始之前就认真思考：如果实验成功，我期待看到多大的效应？以及：多大的效应才真正值得我投入时间、经费和科研资源去研究？
从这个角度看，SESOI不仅仅是一个统计学概念，更是一种科学决策框架。它帮助研究者将统计显著性与实际意义联系起来，使研究结论不再停留在“是否存在差异”的层面，而能够进一步回答：这种差异是否足够重要，值得改变理论认知、临床实践或现实决策？这或许正是未来科研统计学发展的方向：从关注“是否显著”，走向关注“是否重要”。
