【锚点】这一讲钉一个【档案研究×田野方法】判断：【空白】不是【数据缺失】，而是【登记制度把某些人从命名主体降格为统计客体】留下的指纹；把【无名】读成【null】，会把【法律分类】误读成【人口消失】。【显式】1850年美国联邦人口普查的奴隶登记册通常只记录被奴役者的年龄、性别、肤色和位置，不记录姓名；约319万被奴役者因此以「可清点对象」而非「命名主体」进入档案。【隐式】这不是抄写员漏填，而是制度选择字段：名字属于自由身份，年龄/性别/肤色属于财产清点。【细微】同一个被奴役者可能在1850年无名，1851年因解放出现在自由人口册中突然有名字；若只用「姓名缺失率」做数据清洗，会把一次法律状态变化误判为记录错误。【极难发现】真正危险的不是档案没有名字，而是现代研究者把「无名」当噪声删除，等于第二次执行了登记制度的降格。在实验室里，我会把这条规则写进数据字典：每个【null】必须标注【制度原因/操作原因/未知】，否则不得进入分析。【流程节点链路】登记制度选择字段 → 被登记者被排除命名 → 档案形成无名记录 → 研究者把无名编码为缺失/存在 → 法律身份与人口结论被反向改写。【待验证点】如果你做田野或实验室管理，你该问：你的数据表里，哪些「缺失」其实是制度动作？哪些「异常」其实是主体被重新分类？