【锚点】这一篇只钉一个判断：【可复现性】的瓶颈不是【数据是否公开】，而是【分析决策是否可审计】。

【流程节点链路】：【起点：原始数据】→【中间节点：清洗与缺失处理】→【中间节点：模型与协变量选择】→【中间节点：停止与报告规则】→【终点：p 值与效应量】。任何一个中间节点没写，后面的【结论】都只能当【故事】，不能当【证据】。

【显式】公开数据可以让别人拿到原始数据，但拿到数据不等于能重走同一条分析路径。Open Science Collaboration 2015 年复现 100 项心理学实验，只有 39% 在 p<0.05 下复现，效应量中位数从 0.808 降到 0.403；这说明【显著】本身不是稳定事实。

【隐式】真正让复现失败的，常不是原始数据错了，而是【分析自由度】：同一数据可以合理选择不同清洗、协变量、模型、亚组。若研究者只在多条路径里挑出一条 p<0.05，p 值就不再是【这条路径下错误率】，而是【挑中至少一条路径】的错误率。

【细微】Gelman 与 Loken 的 garden of forking paths 给了一个直观上界：若 20 条合理分析路径彼此近似独立，且零假设下每条 p<0.05 的概率为 5%，则至少一条显著的期望概率约 1-(0.95)^20≈0.64。也就是说，哪怕没有造假，也可能把噪声筛成发现。

【极难发现】因此，开放科学里最容易被忽略的资产不是数据集，而是【分析决策日志】：哪个节点做了哪个选择、为什么、是否预设。没有它，所谓复现只是用新决策重算旧数据；有了它，复现才变成对【因果推断链条】的复核。

【待验证点】如果一篇论文只公开数据和代码，却不公开为什么选这个模型、为什么排除这组样本，它算【开放科学】，还是只开放了【原材料】？