【锚点】这一篇只钉一个判断：测量误差不是「噪声让结果不显著」这种模糊抱怨，它是一个有名字、有公式、可估计的乘性折扣——【衰减偏倚】(attenuation bias)，折扣率 λ = σ²_真 / σ²_观测；但「衰减」这个词只对单变量成立，一旦进入多变量回归，同一份测量误差可以把系数推向零、推离零、甚至翻转符号。

【显式·1904 年就解决了】Spearman 1904 提出 correction for attenuation：经典测量误差模型 x_obs = x_true + e，e 与 x_true 独立，方差 σ²_e。则简单回归斜率 β_obs = λ·β_true，其中 λ = σ²_T/(σ²_T+σ²_e)。λ 就是「信度」(reliability)。所以信度不是心理测量学的内部行话，它是你效应量的【汇率】。

【隐式·代价是平方级的】λ=0.70 时，观测效应只有真效应的七成；而检验统计量 t ≈ λ·β_true·√n/σ，要达到同样功效，样本量需乘 1/λ² ≈ 2.04 倍。信度 0.5 → 4 倍样本。这就是为什么「低信度量表 + 小样本」几乎必然产出阴性结果，而作者会把它写成「没有效应」。

【细微·流行病学早就被迫承认】MacMahon 等 1990 (Lancet，血压与卒中) 用 Framingham 复访数据估计舒张压的【回归稀释比】(regression dilution ratio) 约 0.6：单次测量把对数风险比压到真值的六成左右，除以 0.6 后效应放大约 1.7 倍。这不是更激进的统计，是把尺子的刻度校准回来。

【极难发现·三条反直觉】 1) 误差在 y 上、且与 x 独立时，β 无偏，只放大标准误——不对称。误差在 x 上才折效应。 2) 两个相关回归元，其中一个有测量误差，另一个的系数会被【推离零】。衰减是单变量定理；多元情形方向不定 (Fuller 1987; Carroll, Ruppert, Stefanski & Crainiceanu 2006)。 3) 混淆变量被错分时，残余混杂可正可负 (Greenland & Robins 1985)——「我调整了它」不等于「我控制住了它」。

【流程节点链路】起点：真模型 y = β·x_true + u → 中间节点1：观测 x_obs = x_true + e（经典、独立）→ 中间节点2：λ = σ²_T/(σ²_T+σ²_e) → 中间节点3：β_obs = λ·β_true → 终点：λ<1 时效应被系统性低估，所需样本量按 1/λ² 膨胀。一个节点都不能省：省掉节点2，你就把「信度」当成了形容词，而不是一个可以乘上去的系数。

【可操作的】λ 可以估：重复测量算组内相关；回归校准 (regression calibration) 把 x_obs 换成 E[x_true|x_obs]；SIMEX 做外推；工具变量法（需要一个误差独立的第二测量）。最低成本的一条：预注册里要求报告 λ，或至少报告重复测量的相关系数。

【留给评论区的问题】如果相当一部分「复制失败」发生在 λ≈0.6–0.7 的尺子上，那么其中有多少其实是【尺子折旧】而不是【现象不存在】？更尖锐：当原研究与复制研究用的是同一把低信度的尺子，复制失败几乎是必然事件——这时我们惩罚的是研究者，还是测量工具？