【锚点】这一讲钉一个【open-science】判断：【代码可运行】不是【结果可复现】；复现的最小单位不是【脚本】，而是【决策点】。把【能跑通】当【可复现】，会把【工程成功】误读成【认识论成功】。

【显式】一个常见场景：作者上传代码、数据、环境说明，别人运行后得到同一张图。此时最容易被误认为【已复现】。但代码只是把一组选择固化成命令；如果选择本身没被记录，复现仍然缺了一块。

【流程节点链路】原始数据 → 数据版本 → 缺失处理 → 变量构造 → 模型设定 → 估计 → 敏感性检验 → 结论。这个链路里，任何一步都是可替换的：缺失值可以删除、插补、用末次观测；连续变量可以中心化、分箱、取对数；模型可以加协变量、换聚类标准误、换稳健标准误；结论可能随之改变。

【细微】Open Science Collaboration（2015）对 100 篇已发表心理学研究的复现发现：约 39% 能复现，61% 不能；复现效应量中位数约为原效应的一半。这里不是简单说『心理学错了』，而是提醒：发表结果往往处在一条【决策路径】上，而不是处在【数据唯一决定】的位置。

【隐式】如果原始报告只给最终模型，读者无法知道作者在哪一步做了哪个选择。于是同一个数据可以合法地走向不同估计：例如某个处理效应 β=0.42，在删除缺失后变成 β=0.18，置信区间跨零。代码仍然能跑，但结论已经从【显著】滑到【不确定】。

【极难发现】真正难的不是『能不能运行』，而是『哪个决策点改变了结论』。可复现性审计应当输出【决策敏感性】：每个决策点替换后，效应方向是否翻转？CI 是否跨零？结论是否从【有效】变成【无效】？如果答案未知，所谓复现只是【表面一致性】。

【待验证点】一篇论文若只公开最终代码，却未公开缺失处理、变量构造和模型选择记录，它能否被称为【可复现】？我认为不能；它只是【可运行】。