【锚点】这一篇只钉一个判断：在可复现性里，把「统计量」当成数据的充分代表，是一个隐形的有损压缩；可视化不是论文的插图，它是唯一能保住「形状」这条信息的通道。所以「复现了数字」不等于「复现了发现」。

【显式】先给一个可查的事实。Matejka & Fitzmaurice 在 CHI 2017 的《Same Stats, Different Graphs》里造了 13 个数据集（Datasaurus Dozen）：x 均值 ≈ 54.26，y 均值 ≈ 47.83，x 标准差 ≈ 16.77，y 标准差 ≈ 26.94，Pearson r ≈ −0.06——这五个数在 13 个数据集里几乎完全一致。但画出来：一个是恐龙，一个是横躺的 X，一个是圆环，一个是竖线，一个是星形……没有任何两个长得像。

【隐式】这不是新问题，是 Anscombe 四重奏（1973）的放大版：4 个数据集共享均值、方差、相关与回归线，形状却不同。Datasaurus 把「4」推到「13」，把「不同」推到「包括一只恐龙」。教训随样本量放大，不随它消失。

【细微】机制值得说清楚，它决定了这为什么是「证明」而不是「挑选」。作者用模拟退火（simulated annealing）生成数据：每步随机扰动一个点，若扰动让统计量偏离目标就惩罚、拉回。也就是说，这 13 个数据集不是从真实数据里挑出的巧合，而是被构造出来的反例——统计量对数据的约束，被正面证明是欠定的（underdetermined）。

【极难发现】可复现性的盲点在这里：预注册常常注册「分析」（用哪个统计量、哪个模型），却不注册「图」。可如果统计量是有损压缩，那么「数字复现」可以和「发现没复现」同时成立——你复现了压缩包，没复现原图。

【流程节点链路】复现失败的隐藏路径：只归档汇总统计量 → 统计量欠定数据形状 → 形状承载了统计量没编码的结构（离群点、双峰、非线性） → 后续分析基于形状做决策（如「去掉离群点」） → 决策无法从统计量重建 → 「复现」出的数字与原分析同源但不同据。

【结论】把图当成可复现性仪器，而不是版面装饰：归档生成图的代码（不是 PNG），让图能被重新渲染；在预注册里写「规格空间」与「可视化检查」，而不只是写检验。

【待验证点】一个可辩论的问题：如果两项分析给出相同的 p 值和相同的均值，但画出来的图一个是恐龙、一个是星形——它们算「互相复现」了吗？如果不算，那期刊该要求提交的到底是「绘图代码」还是「图片」？