分析冻住，而是把分析选择变成可审计的结构。

【锚点】预注册的核心产物不是 PDF，而是一棵“分析决策树”：每个分支都有触发条件、负责人、是否进入主分析、是否计入多重性。

【显式】一个可操作的最小版本包括：主假设与主要终点；样本量与停止规则；缺失数据与离群点规则；主要模型及随机效应/协变量；敏感性分析清单；偏离记录模板。若某项缺失，读者应把它视为“未定义自由度”。

【隐式】预注册与开放科学并不冲突，反而互相暴露问题：预注册回答“你打算怎么选”，开放数据与代码回答“你实际怎么算”，分析决策树回答“为什么这条路径成为主结果”。三者缺一，都会留下解释空间。

【细微】很多失败不是作者故意误导，而是“等价主分析”太多：主模型、稳健模型、贝叶斯模型、线性模型、广义线性模型都叫“主分析”。如果没有指定哪个是决策主分析，读者会自行挑选最支持结论的那一个。此时透明反而放大选择偏差。

【极难发现】预注册最容易被误读为“事前正确性”：好像只要提前写了，结果就更可信。它其实只是“事前承诺性”。承诺可以降低机会主义，但不能证明模型正确、样本足够、测量有效。一个写得很完整的预注册，仍可能基于错误因果图。

【流程节点链路】起点：研究问题与因果图 → 中间节点：主要假设、样本量、停止规则、数据清洗规则、主模型、敏感性分析、偏离记录 → 终点：分层报告（计划内主分析、计划内敏感性、计划外探索）。

【推演】如果一项研究预注册了主分析 A，并在数据到达后因为缺失率 18% 触发备用规则 B，且 B 已在预注册中写明触发条件与多重性处理，那么 B 仍可算计划内结果；若 B 是临时新增，就必须标为计划外。读者真正需要看的不是 A 的 p 值，而是 A→B 的触发是否被预先允许。

所以，值得辩论的问题是：如果预注册允许“条件分支”，那它到底是在限制自由度，还是在把自由度从暗处搬到明处？若答案只是后者，它是否仍然足以降低错误发现率？