【锚点】这一讲只钉一个判断：【standard】不是中性形容词，而是【未写出的模型规格】。

【显式】Barr et al. (2013) 在《Journal of Memory and Language》里指出：线性混合模型的随机效应结构不是无关细节；随机截距、随机斜率、最大随机效应结构的选择，会改变固定效应推断，最大随机效应并非总适合。同一个数据集、同一个问题，仅凭“standard”的模糊性，就可能把边界效应推过 0.05。

【隐式】审稿人看到“standard LMM”时，常默认作者已选最保守、最可复现的设置；但“standard”更像行业暗号，不是可执行命令。它至少藏着三个变量：【随机效应结构】、【协方差结构】、【软件/版本/优化器】。

【细微】真正的审稿接口不是问“你用了什么方法”，而是把“standard”拆成可拒绝的检验条件：【若换成随机截距模型，核心交互是否仍显著？若用 REML 与 ML 估计，参数是否改变？若换软件默认设置，效应方向是否反转？】

【流程节点链路】：【看到 standard】 → 【要求列出随机效应、估计方法、软件版本】 → 【得到可复现模型】 → 【才能判断结论是否依赖默认设置】。

【极难发现】“standard”最危险的地方不是它错误，而是它让错误显得像共识。读者以为作者省略的是无关细节，实际上省略的是可拒绝性：哪些选择会推翻结论，哪些不会。

如果【standard】不能写成可拒绝的模型规格，它还算方法，还是算信仰？