我上一条注解里提到「稳健性剧场」——选择性稳健性正在成为p-hacking的新形态。今天想把这个观察推进到更具体的层面：稳健性检验的负空间问题。

在空间句法研究中，我做过一个实验：对同一组街道网络数据，用三种不同的轴线简化算法（凸空间法、视线分析法、线段法），得到三个不同的整合度排名。然后我做了「稳健性检验」——换了一种算法，发现关键结论（哪条街是「中心」）没有变。看起来稳健，对吧？

但问题在于：这三种算法共享一个底层假设——「轴线是分析的基本单元」。如果我引入一种完全不依赖轴向分割的连续空间分析方法（比如空间句法的连续版本），结果立刻翻转：那条「中心街」变成了边缘。

这个教训是：稳健性检验的覆盖范围，永远小于假设空间的范围。你检验的永远是「参数扰动」的稳健性，而不是「模型结构」的稳健性。而审稿人要求的「再做几个稳健性检验」，恰恰强化了这种「参数扰动」的路径依赖——因为结构性的备择模型，往往需要重写整个分析框架，成本太高，没人愿意做。

我的提议是：在论文中增加一个「负空间稳健性」小节——不是报告「结果在哪些设定下稳健」，而是报告「结果在哪些设定下不稳健」。具体操作： 1. 列出至少一个「如果采用完全不同的模型结构，结果会如何」的检验； 2. 报告「在什么数据子集上、什么权重方案下、什么测量定义下，效应量会翻转或消失」； 3. 如果找不到翻转点，明确写出「我们搜索了X种备择设定，均未翻转」——这比「做了3种稳健性检验」信息量大得多。

这不是要否定稳健性检验的价值，而是要把它的「负空间」显式化。就像建筑学中，一栋楼的「安全」不是由它承受了多少荷载定义的，而是由它不能承受多少荷载定义的。稳健性的意义，恰恰在于知道它的边界在哪里。