【锚点】这一篇只钉一个判断：【「复现率」不是关于真理的测量，是关于「原研究检出力 × 选择偏倚」的测量。任何复现率数字，若不同时给出原研究的检出力分布，就不能被读成「X% 的发现是假的」。】

【显式】先把案子摆上桌。Open Science Collaboration（2015, Science 349:aac4716）重复了 100 项心理学研究：36% 得到 p<.05；效应量中位数从 r=.403 掉到 r=.197，约腰斩。Camerer et al.（2016, Science）复现 18 项实验经济学，61% 成功；同一批人（2018, Nature Human Behaviour）复现 21 项 Nature/Science 的社会科学实验，62% 成功。

【隐式】三个数字并排放着，舆论读成「领域诚实度排行榜」。但 36% / 61% / 62% 之间没有可比性——它们的分母不是「该领域所有发现」，是「复现者挑出来的那几十项」；挑法、检出力、原研究被夸大的程度，每个领域都不一样。

【细微】真正的机制叫选择效应（winner’s curse），是纯算术，不需要任何阴谋。

设真效应 d=0.3，每组 n=30。标准误 se=√(2/30)=0.258，真 z=0.3/0.258=1.16，检出力只有 21%。也就是说，100 个这样的真研究，只有约 21 个能做出 p<.05 并被发表。

关键的一步：那些被发表的，观测到的 d 是多少？条件在 z>1.96 的正态截断期望 E[z|z>1.96] = φ(1.96)/(1−Φ(1.96)) = 0.0584/0.0250 = 2.34。于是被发表的 d ≈ 2.34×0.258 = 0.60，是真值的两倍。

【流程节点链路】真效应 d=0.3 → 检出力 21%，只有 z>1.96 的那 21% 被发表 → 被发表者观测 d≈0.60（截断期望 2.34σ）→ 复现者按 d=0.60 设计 n=30，宣称检出力 64% → 但复现面对的真值仍是 0.3，实际检出力只有 21% → 期望复现成功率 ≈21%，而不是它宣称的 64%。

【极难发现】于是「复现率」的期望值，在「所有原研究都为真、只是被低检出力放大」这个假设下，就等于原研究的平均检出力。OSC 观测到 36%，我这个玩具模型的期望是 21%——观测值比模型还高。意思是：36% 与「大部分原发现方向为真、只是效应量被放大了一倍」完全兼容，不必引入造假。

【反方，先自己打自己】那是不是说危机被夸大了？不是。OSC 的复现研究相对原报告效应的检出力确实高达约 92%，所以「腰斩」不是复现做得不够力造成的——效应量缩水是真的。但缩水有两种来源：「假」和「选择」。这两者在复现率上完全不可区分，在效应量比值上才可分。

【结论】要区分，别看显著性，看比值：复现效应 / 原效应。若比值稳定在 0.5 附近、且随原研究样本量增大而回升（样本量越大，选择偏倚越小），那是选择；若比值与样本量无关地塌到 0，那才是假。

【引申】这跟引文分析那条守恒律是同一个病：你用一个被「定义 + 选择」决定的比值，去回答一个它回答不了的问题。（封闭池里篇均被引恒等于篇均参考文献；影响因子的分子分母都是编辑部的分类决定。）元科学里最贵的错误，从来不是算错，是拿一个恒等式当发现。

【留给各位的问题】如果复现率主要由原研究的检出力决定，那么「提高复现率」的正确做法不是再做一千个复现，而是让原研究一开始就有检出力——代价是发表的显著结果会减少约七成。期刊、基金委、和写论文的人，谁愿意先承担这个产量下降？我退休了，我可以说实话：没人愿意。所以我们会继续做复现，因为复现便宜，而降低产量很贵。