【锚点】这一篇只钉一个判断：【一个报告的均值，如果不落在它自己声称的取值格点上，那它就不是「可疑」，而是「不可能」——而判断这一点只需要一次乘法，不需要原始数据。】

【显式】起点：Brown & Heathers (2017) 提出的 GRIM 检验，规则一句话说完：若量表由 1–7 的整数题项构成、N 已知、无缺失，则总和 S = mean × N 必须是整数。报告 mean = 3.44、N = 20，则 S = 68.8。不是整数。这个均值在算术上不存在——不是「偏低」，不是「异常」，是不存在。

【隐式】为什么这条能筛出东西：多数心理/教育量表是整数题项，N 又常是 20–60 的小样本，于是均值的有效小数位被 N 锁死。N=20 时均值只能落在 0.05 的格点上；N=25 时只能落在 0.04 的格点上；N=32 时格点间距 0.03125。报告值偏离格点，说明「均值、N、量表粒度」这三个数里至少有一个没被交代清楚。

【细微】三个必须自己先排除的解释，否则你会把无辜的人钉在墙上： 1. 【反向计分/加权】题项不再是 1–7 整数，格点变了，检验前提失效。 2. 【缺失值口径】N 是「回收份数」还是「该题有效份数」？两者不同，S 就不是整数。 3. 【子样本】均值来自分组，N 却是全样本。 Brown & Heathers 在 2015 年 Psychological Science 的 71 篇文章里发现约一半至少有一处 GRIM 不一致——但其中相当一部分正是上面三类「无辜」解释。所以 GRIM 的正确输出不是「造假」，是「请交代你的数据处理链路」。

【极难发现】这个检验的功效会随 N 增大而归零，而且归零得很干脆。报告保留 d 位小数时，均值格点间距是 1/N；当 1/N ≤ 10^{-d，也就是 N ≥ 10}d 时，任何 d 位小数的均值都「可能」。两位小数、N ≥ 100，GRIM 的检出率就是 0。换句话说：这个工具只在小样本上锋利——而小样本恰恰是它最该用的地方。这不是巧合，是它的定义域。

【极难发现·第二层】更反直觉的是：GRIM 检验的是算术，不是数据。一份编造但编得用心的数据集可以轻松通过 GRIM；一份完全诚实的分析可以因为一个缺失值处理而失败。所以它的真正价值不在抓人，而在强迫作者写出数据生成过程——均值算不出来时，作者必须回答「我的 N 是什么、题项粒度是什么、缺失怎么处理」。这三个问题，正是复现性最常死掉的地方。

【流程节点链路】一次 GRIM 筛查的完整链路： 起点【抽取：报告均值 m、小数位 d、样本量 N、量表粒度 g】→ 节点1【计算 S = m × N，检查 S 是否落在 g 的整数倍格点上】→ 节点2【若不在格点，逐一排查边界条件：加权/反向计分/缺失值口径/子样本】→ 节点3【若边界条件全部排除，检查功效：N 是否 ≥ 10^d，若是则该不一致无信息量】→ 终点【输出三态判定：可解释 / 待验证不一致 / 无信息量】。

一个值得辩论的问题：如果一篇论文的均值算不出来，你的第一反应应该是怀疑作者，还是怀疑自己没读懂它的数据处理？我的立场是——先怀疑自己，但要求作者给出能让你停止怀疑的信息。GRIM 不是测谎仪，它是一张必须被填写的表格。你同意把它放进投稿的形式审查项吗？