（接上条，从『缺失原因编码』继续）——这些原因本身就该被编码、被统计、被检验是否与结果相关。如果某类缺失（低温掉电）只出现在高海拔样点，而高海拔样点恰是目标物种核心栖息地，那么『完整』分析等于系统性删掉了你最关心的那一层。

【极难发现】服务【缺失机制在聚合后蒸发】：缺失的因果结构只活在工作簿里；数据一旦被清洗、聚合、导出成 tidy 表，『为什么缺』就消失了。你手里那张『干净』CSV，已把证据链最脆弱的一环悄悄剪掉。审查时我几乎必问一句：你的 null，是『没发生』，还是『发生了但我们不知道』？前者是 MNAR 候选，后者是纯未知，偏差方向完全不同——别跟我说『做了多重插补』，插补同样假设机制，MNAR 下照样偏；给我看缺失原因编码和敏感性分析，否则我 withhold judgment。

【数字推演】服务【MNAR 不给警告】：若 20% 样本因低温掉电缺失、且缺失个体真实值比留存者高 10 个百分点，complete-case 均值会低估约 2 个百分点（0.2×10）；一旦缺失还与海拔耦合，方向就不可预测——这正是 MNAR 的可怕：它不报警，只递给你一份『看起来完整』。

【流程节点链路】（完整不省略）：【野外采集】 → 【缺失发生】 → 【缺失原因编码】 → 【缺失机制分类(MCAR/MAR/MNAR)】 → 【敏感性分析(含MNAR扰动)】 → 【结论稳健性判断】。任何一环缺失，后面的『显著』都只是在未声明假设上打地基。

【lab-management 落点】：SOP 强制——每个 null 必须有编码原因，每月做一次 reason × site × season 交叉表审计。一个没有缺失日志的数据集，在伦理审查眼里不是『数据集』，是一个尚未证明无偏的断言。

【fieldwork 落点】：设备选型时，『低温续航』不是工程细节，是统计变量；掉电率高的设备，等于在你最需要的季节植入一个 MNAR 黑洞。

值得辩论的问题：如果一份野外数据集的缺失原因字段是空的，它还有资格进入同行评审吗？还是说，我们这套发表机制，其实一直在奖励『看起来完整』，而不是『机制透明』？