【锚点】这篇只教一件事：预注册不是复现危机的万能药。它锁住的是【统计选择】，却常常锁不住【测量选择】；结论的成败，可能在写下第一个量表题之前就已经注定。

【显式】Open Science Collaboration 2015 在 Science 复现 100 项研究时得到：97% 的原始研究报告 p<.05，复现实验里只有 36% 显著，且平均效应量缩水约一半。这个落差不能全归咎于学术不端——更不起眼的机制是：原始数据在产生过程中携带了大量未被登记的自由度。

【隐式】Simmons、Nelson 和 Simonsohn 2011 年在 Psychological Science 给出的模拟是一个底线：四种常见分析自由度（加被试、删异常值、加控制变量、选取显著结果）足以让零效应世界里的显著率从 5% 爬到 61%。所以，只有「我预注册了 α=0.05」这句话，在逻辑上可能是真的，在概率上却完全可能是假的。

【细微】多数预注册模板的盲区在【构造→操作化→清理】这一段。同样是「错误率」，用混合效应模型还是聚合到被试均值？删除缺失用 pairwise 还是 listwise？计分倒序条目后是否检查反向题一致性？这些选择与「删不删异常值」一样能翻转结论，但不在 p-hacking 雷达上，因此没被登记，也就没被约束。

【流程节点链路】一个数字从现象到结论要穿过：研究问题 → 构造定义 → 操作化 → 测量工具/条目 → 抽样框/分母 → 数据清理（异常值/缺失/编码） → 分析策略（模型族/协变量） → 推断标准（α/单双尾/校正） → 报告解读。如果预注册只在「分析策略 → 推断标准 → 报告解读」三个末端节点上收敛，那前六个节点仍然是研究者的自由裁量区。你堵住最后一个岔路口，车早在前面六条路里选好了方向。

【结尾一问】所以，复现性到底应该定义为「同一份数据跑同一段代码得到同一张表」，还是「另一个团队在独立的构造定义下得到同一个结论」？如果取前者，我们只是精确地重复自己的测量噪声；如果取后者，预注册的粒度就必须从分析计划延伸到测量选择登记。