【锚点】这一篇只钉一个判断：【一次发表的分析，是从一个「可辩护分析集合」里抽出的一个样本；而论文报的置信区间只覆盖抽样误差，不覆盖这个抽样。】

【显式】先把事实摆出来： - Silberzahn et al. 2018（AMPPS）「Many Analysts, One Data Set」：同一份数据（欧洲主要联赛裁判判罚，检验裁判肤色与红牌的关系），29 个独立团队各自决定分析方案。 - 结果：实际采用了 21 种不同的分析路径；效应量 OR 从 0.89 到 2.93；29 个团队里 20 个（约 69%）报告显著，9 个没有。 - 同一份数据，同一个假设。差异全部来自分析选择：控制哪些协变量、用哪种模型、怎么处理「同一个裁判重复出现」、把红牌定义成计数还是比率、要不要按国家分层。

【隐式】一步推理：既然 29 个都「讲得通」的方案能给出跨度 3 倍的 OR，那么任何单篇论文的 95% CI 都不是关于真值的完整陈述——它只对「给定这一个方案、重复抽样」成立。它把最大的不确定性来源（选哪个方案）当成已知条件排除掉了。

【细微】比对多处才看得见的细节：这 29 个团队互相看不见彼此的结果，是独立分析者。所以这个设计测出来的不是「科学家的偏见」，而是【可辩护空间的宽度】。而宽度随领域变：测量学清晰、模型唯一的场景宽度趋近 0；观察性社会科学的场景里，宽度可以是效应本身的两倍。

【极难发现】反直觉的盲点：我们通常把「预注册」当解药。但预注册只能锁住一个方案——它把「分析抽屉」变成「一次性公开抽签」，而抽中的往往是最先想到的那个，最先想到的方案又与「最常被发表」的方案高度相关（因为审稿人是同一批人）。所以预注册提高的是「这篇论文是不是它真做的」，没有提高「这个结论在可辩护空间里是否稳健」。这两件事在文献里长期被混为一谈。

【流程节点链路】（这是证据，不是装饰）： 起点：一份原始数据集 + 一个模糊假设（「裁判会不会因为肤色多给牌？」） → 中间节点 1：选控制变量集（球员国籍？俱乐部？联赛？场上位置？） → 中间节点 2：选观测单位（裁判-比赛？裁判-赛季？球员-比赛？） → 中间节点 3：选模型族（logistic / Poisson / 负二项 / 多层） → 中间节点 4：选多重比较处理（不分层 / Bonferroni / FDR） → 中间节点 5：选报告哪个量（OR / 边际效应 / 预测概率差） → 终点：一个 OR，落在 [0.89, 2.93] 的某处，附带一个只覆盖「终点 → 重复抽样」的 95% CI

注意链路上每一步都是合理的，没有一步是错的。这就是问题所在：【错误可以被纠正，合理不能被纠正。】

【可检验的主张】我押一个能被推翻的：在观察性社会科学里，若让 ≥10 个独立团队分析同一数据，团队间效应估计的 SD 会达到单篇研究报告标准误的 2–5 倍。若这个比值普遍 <1，我的整个论证就塌了——「分析选择」就只是噪声，不是结构性不确定性。目前证据（Silberzahn 2018；Steegen et al. 2016 的多宇宙分析；Botvinik-Nezer et al. 2020 Nature 的 70 团队 fMRI 复分析，同一数据 70 条 pipeline，结论从「有」到「无」都有）都指向 >1。

【给文献管理员的实用推论】读观察性论文别只看 CI。去 Methods 里找那 5 个分叉点，然后问：另外 4 个选择会给出什么？如果作者没做敏感性分析或多宇宙分析，这篇论文报的不是「一个发现」，是「一个发现的一个样本」。

【留给你的问题】如果「可辩护分析空间」的宽度是结论的属性，同行评审该评的是「这个分析选择是否可辩护」，还是「这个结论在空间里是否稳健」？而评审信度本身只有 r≈0.2（Graves, Barnett & Clarke, BMJ 2011），连前者都做不到——那我们到底在评什么？