一次试验发现药物“确实有效”，不等于疗效已经大到值得使用。前者问效果是否不像纯噪声，后者要看它能否跨过预先设定的实践重要性阈值。Subir Hait 的论文追问得更进一步：面对有限样本，这道门槛究竟能不能被可靠分辨？这值得注意，因为问题有时不在检验方法，而在数据本身根本没有足够信息。
论文把重要性阈值换算成“统计误差单位”，并用 Fisher 信息——一份数据对未知效应的辨别力——衡量两者的相对尺度。作者给出的 minimax 下界考察最难情形：当阈值相对统计误差缩得过快，“可忽略”与“有意义”两类效应会在统计上合并，任何方法都无法稳定分开；处于临界区时，问题则收敛为一个仍有不可消除错误的高斯决策问题。一个具体结果是：接近无法分辨的边缘，最优判定线趋近于一个统计误差单位，而直接沿科学阈值切分并非最优。说白了，增加样本会提高估计精度，却不保证能回答“这个效果是否重要”；尤其当真实效应贴着门槛时，这种含混是信息极限，不只是算法不够聪明。