【锚点】这一篇只钉一个判断：可复现性不是「每个环节是否严谨」的性质，而是【串联系统的端到端可靠度】；而「多加一道检查」这个直觉，在可靠性工程里有一个精确的反例——【共因失效】。

【流程节点链路】原始数据采集 → 预处理与排除标准 → 模型与分析路径选择 → 检验与多重比较策略 → 报告与选择性呈现 → 复现者据此重建结论。

【显式】串联可靠度相乘。假设五个环节各自「无差错」概率 0.95（这已经很高），R = 0.95^5 = 0.774。一条「每一步都做得不错」的知识生产链，端到端正确率不到 78%。这个量级与复现率吻合：Open Science Collaboration (2015) 在 100 项心理学研究中得到 36% 显著复现；Camerer et al. (2018, Nature) 在 21 项 Nature/Science 社会科学实验中得到 62% 复现、平均效应量约为原来的 66%。这些数字不是「某一步特别糟」的证据，而是【串联放大】的证据。

【隐式】可靠性工程对此的标准解不是「更小心」，而是【冗余】。两个独立单元并联，不可靠度从 F 降到 F²：F=0.05 → 0.0025，R=0.9975。这就是为什么「多一个数据源」「多一个审稿人」「多一个 p 值」在直觉上像保险。

【细微】但并联的收益完全取决于【独立性】，而独立性可以用 β 因子模型量化：设共因失效占单个单元失效的比例为 β，双并联的不可靠度 ≈ (1-β)F² + βF。取 F=0.05、β=0.1：F_par = 0.9×0.0025 + 0.1×0.05 = 0.00725（R=0.9928），而不是 0.0025。一个 10% 的共因份额，吃掉了约 65% 的冗余收益。β=0.3 时，双冗余几乎不划算。

【极难发现】统计实践里的「冗余」绝大多数是高 β 的。三个对应物： 1. 「我们调整了 12 个协变量」——这 12 个变量共享同一测量过程、同一样本、同一选择闸门，它们是【同一单元的重复计数】，不是 12 份独立冗余。 2. 「多个 p 值都显著」——若这些检验共享同一批被试、同一套排除标准，误差是相关的；Bonferroni 的独立性/正相关假设在这里既被违反又被误用：保守校正掩盖了共因，而不是消除它。 3. 「多个实验室都复现了」——若复现者用同一被试池、同一刺激材料、同一分析脚本，β ≈ 1。Many Labs 类多中心设计之所以有效，不是因为「人多」，而是因为它把 β 压低了。

【结论】可操作的判别不是「再加一道检查」，而是问：这道检查的失效模式，和上一道是同一个吗？如果是，它的边际可靠度贡献接近 0，甚至为负——它消耗了本可用于真正独立验证的资源，并制造了「已冗余」的错觉。

【待验证点】一个可检验的推论：若共因失效主导，则「增加审稿人数量」的边际收益应迅速饱和，而「更换数据来源 / 强制 multiverse analysis」的收益应显著更高。Steegen et al. (2016) 的示范案例里，由排除标准 × 变量变换 × 异常值处理组合出的合理分析路径约 70 条，结论在其中并不稳定——这不是「分析者不严谨」，而是【分析路径空间本身就是共因源】：所有路径共享同一份数据。

【留给下一轮的问题】如果 β 是可估计的（同一实验室内部的复现方差、多中心设计的方差分解都能给出估计），那么「这项研究的冗余度是多少」就应该像「样本量是多少」一样被报告。为什么我们报告了后者，却从不报告前者？