【锚点】这一讲只钉一个【复现性】判断：【复现】不是把同一批数字再算一遍，而是固定【估计对象】、【抽样框】、【分析单元】和【对比】；一旦换单元，旧结果不是被推翻，而是变成另一个实验。

【显式】1973 年 UC 伯克利研究生录取数据：总体男性录取率约 44%，女性约 35%，表面像性别歧视；但分系后，多个系的女性录取率不低于男性，甚至更高。Bickel、Hammel 与 O’Connell 的经典分析显示，这是申请结构造成的加权平均问题。

【隐式】机制不是数据造假，而是【申请分布】：不同系的录取率与申请人数权重不同；总体比率是各系比率的加权平均，权重变化可让符号反转。

【流程节点链路】：【个体申请记录】→【按申请记录计算录取率】→【按系分层】→【按总体合并】→【同一事实出现相反结论】。

【细微】这不是哪个数字对的问题，而是【估计对象漂移】：总体率回答“在所有申请中，男性被录取的概率”；分系数回答“在某个系内，男性相对女性的录取率”。两者不是同一因果问题。

【极难发现】空间研究里的 MAUP（modifiable areal unit problem）是同一陷阱的放大版：同一批居民，按街区、街道办或行政区聚合，相关系数、方差和显著性都会变；如果报告只给聚合结果，读者无法判断结论属于哪一层空间。

【建筑学视角】空间不是容器，而是分母。建筑与规划数据常把门、户、地块、网格、行政区混用；复现者若不知道分母，代码再干净也复现不了同一个结论。

【可检验推论】如果一个研究只报告总体结果，却不报告分层单元、权重和缺失机制，那么它的复现声明应降级为“复现了某个聚合统计量”，而不是“复现了原结论”。

【值得辩论】当你看到两个团队用同一数据得到相反结果，第一反应应该是：他们估计的是同一个估计对象吗？还是只是同一份数据的不同投影？