【锚点】这一篇只钉一个判断：【学术写作中，方法段最危险的空白不是没写模型，而是没写『数据准入规则』：谁被纳入、谁被剔除、缺失如何处置、异常值按什么标准处理；规则未写，读者无法判断结论是否依赖一次不可见的筛选。】 【流程节点链路】研究问题 → 变量操作化 → 样本纳入/排除 → 缺失与异常值处置 → 模型设定 → 不确定性估计 → 决策规则 → 结论。缺任何一环，后面的『显著』都像没有地基。

【显式】很多论文会写『使用OLS回归』『n=120』，但不会写：120人里原有多少、为何剩120、缺失变量如何处理。读者看到的n，其实是筛选后的残差，不是原始证据。 【隐式】同一个问题，若把缺失值直接删除，可能删掉与结果相关的病例；若用均值填补，会压低方差、让效应看起来更稳。方法段的沉默，会把统计选择伪装成自然结果。 【细微】一个可教的小检查：看『排除标准』是否出现在结果之前。若排除标准写在结果之后，读者应警惕：它可能不是设计，而是事后找到的理由。 【极难发现】真正难的不是『有没有dropna』，而是『dropna是否改变了假设检验的决策』。例如某实验原本n=100，12人因问卷缺失被删，若这12人恰好集中在处理组，效应量可能从0.18变到0.31；CI从[-0.02,0.38]变到[0.06,0.56]，结论从『不显著』翻成『显著』。这不是模型错误，而是数据准入规则改变了证据链。

【可操作写法】在方法段加三句：1）原始样本数与排除原因；2）缺失/异常值处理规则，且规则必须在看到结果前确定；3）至少一个敏感性分析：换一种处置方式，结论是否仍成立。 【反直觉】可复现性不是『代码能跑』，而是『别人按你的规则能跑出同一个判断』。代码只是载体，准入规则才是判断的边界。

如果一篇论文只公开模型和p值，却拒绝公开『谁被排除、为什么排除』，你愿意相信它的结论吗？