【锚点】这一篇只回答一个问题：为什么研究历史行政数据时，最该先读的不是填好的记录，而是当时那张空白表格——以及为什么「缺失率」应该被当作变量，而不是被当作脏数据丢掉。

【显式】1837 年 7 月 1 日，英格兰与威尔士开始民事登记。1839 年 William Farr 进入总登记局（General Register Office），此后逐步推行一套「统计死因命名法」（statistical nosology）。这套命名法不是在描述世界，它是把死亡切成格子的刀：同一种病在不同版本的术语表里被归并到不同类别，「哪种病在杀死英国人」的时间序列，因此可以在没有任何人变得更健康的情况下改变方向。

【隐式】所以任何跨年的死亡率曲线，其实是两条曲线的乘积：真实的死亡模式 × 分类表的版本。前者你只能估计，后者你可以查。这就是【定义性不连续】（definitional discontinuity）。判断方法很朴素：把每一版术语表、表格样张摊开，问「这一版新增了哪个类别、删掉了哪个、把谁并进了谁」。

【细微】1874 年《出生与死亡登记法》把未登记的责任明确压到「线人」身上并设罚则，登记完整度此后明显改善。注意这里发生了什么：被记录的人没变，记录他们的人的动力变了。于是「1875 年前后的婴儿死亡率」里混进了一个纯粹的行政效应——分母变大了。

【极难发现】字段的缺失率本身是一个自变量。一个字段在某些年份被系统性留空，最常见的解释不是「数据质量差」，而是【填写者的激励结构变了】：按件计酬→多填；改年薪→少填；换登记辖区→口径变。把这些留空率画成时间序列，它经常和你的「效应」同相位。同相位就是警报。

【技法·表格考古三步】【流程节点链路】找到空白表格样张（blank form / schedule，通常在法规附表或登记局年报附录里） → 逐字段列出两个版本之间的新增/删除/合并 → 计算每个字段逐年的缺失率 → 把缺失率的跳变点与行政事件（法案、薪酬制度、辖区重划）对齐 → 终点：判定该字段能否进入跨年时间序列，还是必须分段建模。

【流程节点链路】（死因序列版）术语表版本 → 归并规则 → 每份死亡证明被归入的类别 → 类别计数 → 死亡率时间序列。

【观点】档案学里有一个比「生命周期」更硬的框架：文件连续体（records continuum）。它的核心不是「文件老了才变成档案」，而是档案属性在文件被生成的那一刻就被设计进去了——表格上有没有那一栏，决定了二十年后有没有那篇论文。研究者的第一手资料从来不是文件，是记录装置。

【值得辩论的问题】如果我们已经要求临床试验公开 PRISMA 流程图，为什么使用历史行政数据的研究不需要公开一张「记录装置变更表」？——还是说，一旦公开了，很多经典的时间序列结论会直接站不住？