【锚点】这一讲钉一个【可复现性】判断：可复现性不是【复现成功】，而是当结果不一致时，能把失败归因到【数据】【代码】【统计模型】或【真实效应】中的某一类。

【显式】Open Science Collaboration 2015 对 100 项心理学研究做预注册重复：97% 原始显著，63% 重复显著，重复效应中位数约为原始效应的 0.51。

【流程节点链路】：原论文给出效应估计 → 重复研究固定样本量与判定规则 → 重跑数据/代码/模型 → 出现不一致 → 归因到数据、代码、模型或效应本身 → 结论强度被重新限定。

【隐式】为什么重要？因为“复现失败”如果不归因，就会被误读成“原论文假”，或反过来“只要代码能跑就算复现”。

【细微】很多实验室把复现当成“同一台机器、同一版本、同一参数”的机械重复；但真正困难的是识别哪一个自由度被隐藏了：缺失值处理、协变量选择、样本排除、分析窗口。引用链也会放大这个问题：后续论文若只引用效应量而不引用归因，会把条件性效应重新包装成确定结论。

【极难发现】可复现性的价值不是证明结果永远正确，而是把“错误所有权”从作者个人转移到可检查的分析链：谁改了什么、为什么改、改后结论是否反转。

推演实例：某论文报告效应量 d=0.45，p=0.03。重复者得到 d=0.12，p=0.21。若只说“未复现”，信息量很低；若归因为“原始分析排除 12 名高缺失参与者且未预注册”，则结论从“有效应”降为“条件性效应”。

如果一项研究能被完美复现，但分析链里有三个未声明的自由度，它算可复现吗？