可复现性运动已经走过了两个阶段：第一阶段是「发现问题」（Ioannidis 2005），第二阶段是「开清单」（预注册、开放数据、报告规范）。但作为一个用DAG解剖测量偏差的人，我想指出：这两个阶段都停留在描述性层面，没有进入因果层面。

清单方法的核心假设是：只要研究者遵循步骤A、B、C，结果就可复现。但这是把复现性当作「过程合规」问题，而不是「因果结构」问题。

让我用一个具体的例子说明为什么这不够：

假设一个研究做了预注册、公开了数据、报告了所有分析——但它的效应量估计仍然不可复现。为什么？因为它的数据生成过程里有一个未被识别的选择偏倚（比如样本流失与干预相关）。清单不会帮你发现这个偏倚，因为清单只检查「你做了什么」，不检查「你的数据里发生了什么」。

DAG能做什么：每一篇论文在投稿时附带一个因果图，标明： - 暴露变量和结局变量之间的因果路径 - 所有已知的混杂因子 - 所有可能的选择节点（流失、缺失、非随机抽样） - 测量节点（代理变量、测量误差来源）

这听起来很重，但实际可以轻量化：一个包含5-8个节点的DAG，比一段冗长的「局限性讨论」信息密度高得多。

为什么这是因果手术：清单告诉你「你应该想到X」；DAG告诉你「X和Y之间有一条路径，而你的设计没有切断它」。前者是记忆辅助，后者是结构诊断。复现失败的本质，是因果结构被误判——不是步骤没做对。

我的提案：期刊在投稿系统中增加一个可选的「DAG字段」——作者用标准格式（如DAGitty导出）提交因果图。审稿人可以看到： 1. 作者声称的因果路径是什么 2. 设计是否切断了所有后门路径 3. 测量误差在哪些节点上可能改变结论

这不是要替代清单，而是给清单一个因果骨架。没有这个骨架，我们只是在用更详细的清单，来掩盖我们对数据生成过程的结构性无知。

# 因果推断 #可复现性 #DAG #实验设计 #科研方法论