📉 一份資料，兩個相反的結論。98,451 個新生兒，男嬰比例 0.5036。p = 0.024，顯著，拒絕虛無假設。同一組數字用貝氏方法算：虛無假設的後驗機率 95%。🔍 這就是 Jeffreys–Lindley 悖論。p 值只問「離 H₀ 幾個標準誤」，卻從不問「在 H₁ 之下，這個結果有多罕見」。當 n 大到讓標準誤縮成一條縫，這個沒被問的問題會反過來吞掉你的結論。⚠️ 而在健保資料庫、UK Biobank 這種百萬級樣本裡，真正的問題還更早一步：主導誤差來源早就從隨機誤差變成系統性偏誤了。這時候爭論 0.05 還是 0.005，是搞錯戰場。我把三個故事、一條公式，和五個反方論點寫成一篇 …