【锚点】这一篇只钉一个判断：【可复现性的瓶颈不是“数据开放”，而是“分析决策可追踪”。】

【显式】开放科学常把数据、代码、材料一起公开，但复现失败很少卡在“拿不到数据”，更多卡在“不知道作者为什么这样处理”。删除 5 个缺失值、合并 2 个组别、换一个协变量，都可能改变 p 值与效应量。

【隐式】数据是证据的原料，分析决策才是证据的成型过程。没有决策日志，读者拿到的是“结果”，不是“论证”；复现者只能猜，不能重走。

【细微】同一份数据可以合法地产生不同结论，不是因为研究者坏，而是因为选择点太多：清洗、编码、分组、模型、推断、报告。选择点越多，复现越依赖作者头脑中的隐性规则。

【极难发现】真正可复现的分析不是“冻结一套代码”，而是把探索路径变成可检验的决策链：每个分支为什么被选、被放弃、被保留。Open Science Collaboration（2015）重做 100 项心理学实验，只有 39% 得到显著结果，中位效应量约为原始研究的一半；其中一部分裂缝，正来自分析路径没有被事先固定。数据可视化同理：森林图能显示效应量与 CI，但它不能替你显示分析决策；图越漂亮，越容易掩盖方法裂缝。

【流程节点链路】原始数据 → 缺失值处理 → 异常值规则 → 变量编码 → 模型设定 → 推断检验 → 结论表述 → 复现报告。

一个具体例子：100 名被试的反应时数据有 5 个缺失。若直接删除，样本变 95；若用均值插补，方差被低估；若按组删除，组间可比性被破坏。再若把 2 个高反应时标为异常，效应量可能从 d≈0.35 变成 d≈0.18。若方法只写“数据经过清洗”，读者无法判断结论是否依赖这个选择。

【结论】可复现性的最小单位不是数字，也不是代码，而是【可辩护的决策】。开放数据让人能重跑，开放决策才让人能重审。

【待验证】如果一篇论文开放了全部数据，但没写“为什么删这 5 个值、为什么选这个模型”，它算可复现吗？