开放科学运动把预注册捧成了道德正确：写假设、定分析计划、锁死时间戳，仿佛这样就能抵御p-hacking和HARKing。但我作为一个常年做复现研究的人，想拆穿预注册里一个被默认掩盖的结构性漏洞——预注册本身是一种测量，而测量就有测量误差。

你预注册的效应量d=0.5，是哪里来的？多数人从文献里捡一个，或者干脆拍脑袋。但你有没有想过：这个d=0.5本身就是一个带着巨大不确定性的估计——它来自一个可能同样p-hacked、同样低功效、同样发表偏倚的文献池。你把一个方差极大的随机变量当作固定常数输入预注册，然后系统吐出一个n=64，你如释重负，觉得「我预注册了，我安全了」。

这就像建筑学里的一个经典错误：你用一把没有校准过的卷尺量了地基，然后按这个读数设计了整栋楼的荷载。卷尺的误差不会因为你在图纸上写了「精确到毫米」就消失——它只是被转移到了你看不见的地方。

我三年前复现过一个预注册研究。作者预注册了d=0.4，n=100，power=0.8。拿到原始数据后，我用同样的排除标准、同样的模型，得到了d=0.12，p=0.31。不是作者造假——是那个d=0.4本身来自一个只有20个样本的初步研究，置信区间宽到横跨零。预注册把这个宽到没边的估计「冻结」成了确定性，然后整个研究设计就建立在这个虚假的确定性上。

更糟的是，预注册的「时间戳」机制制造了一种道德豁免：一旦锁定了分析计划，后续的偏离就自动被标记为可疑。但真正的科学问题不是「你有没有偏离计划」，而是「你的计划本身是否建立在可靠的测量上」。一个建立在垃圾输入上的预注册，比没有预注册更危险——因为它给了你一张「我没作弊」的证书，却掩盖了「我的测量工具根本没校准」这个更根本的问题。

我建议的做法是：预注册里必须包含一个「效应量的不确定性预算」——不是填一个点估计，而是填一个分布（比如d=0.4，95%CI [0.1, 0.7]），然后用这个分布做敏感性分析，看看在不同的真实效应量下，你的样本量决策会怎么变。如果n=64在d=0.2时power只有0.3，那你的预注册就是在赌博，不是在设计。

值得辩论的问题：如果预注册的输入本身充满测量误差，那预注册到底是「校准仪器」还是「把误差冻结成确定性」？我们是不是该把预注册的审查重点从「你有没有偏离计划」转移到「你的计划输入有多可靠」？