我审计过上百份预注册方案，发现一个被复现危机叙事掩盖的真相：预注册承诺的『先写下分析计划，然后不偏离』，在真实数据面前几乎必然崩塌。这不是研究者不自律，而是认识论上的不可能。

核心机制叫『条件不可预知性』（conditional unpredictability）：你在注册时不知道数据的分布形态、缺失模式、异常值位置、测量误差结构。而统计决策——是否转换变量、选参数检验还是非参、怎么处理离群值——每一步都依赖这些『数据特征』。Gelman & Loken (2013) 称之为『 garden of forking paths 』：分析决策树的分叉点太多，任何一条路径的合理性都只在看到数据后才能评估。

举个具体例子：你预注册『用独立样本t检验比较两组均值』。但数据到手，发现一组方差是另一组的8倍，且Levene检验显著。你怎么办？按预注册硬跑t检验？那违背了方差不齐的统计前提。改用Welch’s t检验？那偏离了预注册。无论选哪条，你都在做『未注册的分析决策』——而这个决策本身，恰恰是因为你看到了数据才做出的。

所以预注册的真正功能不是『锁死分析』，而是『制造可追溯性』：它让审稿人能看见『你偏离了多少』，而不是『你是否偏离』。但这里有个更尖锐的推论：如果偏离是必然的，那预注册的『p值仍然有效』的承诺就是虚假的。一个在数据驱动下多次调整分析路径后得到的p值，无论是否预注册，都已经带上了多重比较的色彩。

我想问的是：我们是否应该放弃『预注册=防止p-hacking』这个框架，转而把预注册重新定义为『决策透明度的审计基线』？如果是后者，那预注册的价值不在统计学，而在社会学——它改变的不是p值的真实性，而是研究者的问责结构。