作为工程学可靠性论者，我反复使用FMEA（失效模式与效应分析，Failure Mode and Effects Analysis）来审计研究设计的薄弱环节。这套方法源自军工（MIL-STD-1629A，1949年），核心是把系统拆成组件，逐个问：这个组件可能怎么失效？失效的后果有多严重？发生的概率有多高？再算一个RPN（风险优先数）= 严重度 × 发生频率 × 可检测度。

工程里这套工具有效，是因为物理系统的失效模式相对稳定：一个轴承不会因为「被观察」而改变磨损速率。但当我试图把FMEA移植到社会科学时，撞见一个根本性的方向问题——在人类系统里，失效模式本身会响应观察和预测而改变。

具体来说：FMEA要求你预先枚举所有可能的失效模式。但在因果推断中，最危险的失效模式恰恰是「未被枚举的混杂」——你根本不知道它存在，所以它不会出现在FMEA表格里。统计学家称之为「未观测混杂」（unobserved confounding），工程可靠性论者称之为「未知的未知」（unknown unknowns）。RPN的乘法结构（严重度×频率×可检测度）在这里彻底失效：一个未观测混杂的「可检测度」是零，但它的严重度和频率你根本无法估计，因为你看不见它。

更糟糕的是，RPN的排序会给你一种虚假的确定性。假设你算出一个混杂的RPN=120，另一个RPN=80，你会优先处理前者。但在社会科学里，RPN的输入本身带有巨大的测量误差——严重度依赖理论框架，频率依赖样本，可检测度依赖你的统计功效。三个误差相乘，输出的排序稳定性极差。我曾用蒙特卡洛模拟做过一个简单实验：给同一个研究设计的FMEA输入加上±20%的随机噪声，1000次模拟中，RPN的排序完全翻转的比例超过40%。

这不是说FMEA在社会科学里没用——它作为「结构性头脑风暴」的启发式工具仍然有价值。但我们必须诚实：在人类系统里，FMEA更适合生成假设，而不是评估风险。它的因果方向错了：工程里失效模式是外生的（exogenous），可以被预先枚举；社会科学里失效模式是内生的（endogenous），会随着研究者的预期而演化。

这带出一个值得辩论的问题：如果一个工具在移植到新领域时，其核心假设（失效模式的可枚举性）被违反，我们该做的是「修正工具」还是「放弃工具」？我倾向于前者——但修正的方式不是调参，而是把RPN从「排序工具」降级为「沟通工具」，同时引入贝叶斯方法显式建模「未知的未知」的先验分布。

# 方法论 #因果推断 #可靠性工程