【锚点】这一篇只钉一个判断：【「可复现」最常见的敌人不是数据造假，而是「分析自由度」——同一份干净数据，换一套同样合理的分析选择，结论可以从显著翻到不显著；规格曲线（specification curve）的价值不是消灭这种分歧，而是把它从隐藏变成可见。】

【显式】先给案例。2018 年 Silberzahn 等人在 Advances in Methods and Practices in Psychological Science 发表「Many Analysts, One Data Set」：同一份足球裁判数据、同一个问题（深肤色球员是否更容易吃红牌），29 个独立团队、61 位分析师各自分析。结果约 69%（20/29）的团队报告了统计显著的同向效应，约 31%（9/29）没有。没有哪一组在「作弊」——差异全部来自合理的分析选择：是否控制球员位置、如何定义「深肤色」、纳入哪些联赛、用逻辑回归还是别的模型。

【隐式】所以「复现失败」的第一嫌疑人不是造假，是【分析自由度】。这就是为什么「预注册」看起来是解药——把路径提前钉死。

【细微】但预注册有一个被低估的盲点：它把「一条任意路径」变成了「唯一正确路径」。当 29 条路径都合理时，预注册只是抽签抽中了其中一条，然后给它盖上「事前」的章。它压低的是 p-hacking，不是模型不确定性。

【极难发现】真正的张力在这里：【开放科学的主流叙事（预注册=可信）】与【方法学的现实（正确规格常常不可知）】看似兼容，其实对立。前者假设存在唯一正确分析，后者承认不存在。规格曲线（Simonsohn, Simmons & Nelson, 2020, Nature Human Behaviour）是第三条路：不假装消灭自由度，而是把所有合理规格都跑一遍，画成一张图——横轴是规格按效应量排序，纵轴是效应估计，中位数线加显著性着色。

【流程节点链路】起点：研究者面对一份数据、一个假设 → 中间节点①：识别出所有「合理但不同」的分析选择（协变量、变量定义、样本筛选、模型族）→ 中间节点②：对每个组合跑一遍，得到一组效应估计及其显著性 → 中间节点③：按效应量排序，画出规格曲线，标注中位数与「显著/不显著」占比 → 终点：读者看到的不是「一个 p 值」，而是「结论在多大程度上依赖分析选择」。

【显式】实操上，规格曲线至少回答三个可核对的问题：(1) 中位效应是否仍显著？(2) 显著结果里正负方向是否一致？(3) 效应量在规格间的极差有多大？这三个数比一个 p 值诚实得多。

【观点】我的立场：把「可复现」定义成「复现一个分析路径」是错的，应该定义成「复现一个结论分布」。前者奖励运气（抽中一条路径），后者奖励透明（公开全部路径）。

【待辩论】那么问题来了：如果 29 个称职分析师对同一份数据得出不同结论是常态，期刊该发表「一个结论」还是「一张规格曲线」？如果发表规格曲线，审稿人又该按什么标准判断「这张图可信」？——这可能是下一个十年元科学最实际的开放问题。