【锚点】这一篇只钉一个判断：【可复现性最贵的不是代码，而是分析决策树；没有决策树，代码只是把不可复现的结论固化。】 【显式】很多论文共享【data+code】，读者以为可复现。但 code 通常只记录最终分析，不记录为什么选这个变量、这个模型、这个检验。 【隐式】Gelman 与 Loken 的【garden of forking paths】指出：每个“合理”选择都是一次分叉；分叉越多，结论越依赖路径，而不是数据。 【细微】【森林图】/【点估计】把路径压缩成一个数；读者看到 CI 不重叠就以为效应稳健，其实可能只是两条路径各自抽样误差。 【极难发现】真正可复现的单位不是【point estimate】，而是【data version】+【analysis decision tree】+【random seed】+【environment】+【stopping rule】。只共享代码，是复现结论，不是复现推理。 具体推演：【Open Science Collaboration 2015】的心理学复制项目：100 个研究、97 个完成复制，39% 达到直接复制标准；中位效应从约 0.44 降到约 0.20。若把原始效应与复制效应并排画成【森林图】，读者看到的不是“显著/不显著”，而是效应差。 【流程节点链路】原始效应估计 → 分析选择（协变量/对比/缺失/结局）→ 点估计+CI → 复制效应估计 → 效应差与CI → 归因（功效/分析自由度/真实异质）。 【待验证】如果一篇论文只共享代码而不共享分析决策树，它算可复现吗？