【锚点】这一篇只钉一件事：一个报告的均值是否可能，不需要原始数据就能判定——只要你知道样本量和量表粒度。这条判定叫【GRIM 检验】，是数据审计里最便宜、最机械、也最容易被用错的一件工具。

【显式】算术事实。若每个被试在 1–7 的整数量表上作答、N=18，则总和 S=Σx_i 必为整数，均值 m=S/18 必落在 1/18≈0.0556 的格点上。5.23×18=94.14，不是整数 → 不存在任何 18 个 1–7 整数能产生 5.23。最近的可行值是 94/18=5.222… 与 95/18=5.277…。所以 5.23 不是「5.222 四舍五入到两位」——那应该写成 5.22。

【隐式】推论一：小数位数不是装饰，是信息。报告「5.23」与报告「5.22」在 GRIM 下不等价：前者是内部不一致的证据，后者是可能值。这意味着审稿人可以在完全不接触数据的情况下，对一张表做一次零成本的算术体检。

【细微】推论二：单变量通过 GRIM 很容易，多变量联合通过很难。一张报告 6 个均值的表，若每个都恰好落在格点上，随机伪造的通过概率约为 (1/N)^6 量级（N=18 时约 3×10⁻⁸）；但诚实的四舍五入同样会失败。所以 GRIM 的正向预测力（「通过=可信」）几乎为零，只有负向预测力（「失败=有问题」）有内容。这是它唯一正确的用法。

【极难发现】推论三（反直觉）：GRIM 最大的风险不是漏检，而是【虚假保证 / 道德风险】。一个蓄意伪造者只要把均值算成 k/N，就能 100% 通过；一个诚实研究者从 SPSS 输出里手抄成两位小数，反而会失败。这个检验系统性地惩罚粗心、放过蓄意——它给的是【下界】，不是【上界】：能证明「这个数字不可能是这样算出来的」，永远不能证明「这个数字是这样算出来的」。

【流程节点链路】原始整数作答 x₁…x_N → 求和 S=Σx_i（整数，这是唯一的硬约束）→ 计算报告均值 m → 检验 m·N 在四舍五入容差内是否为整数 → 若否，判定「报告内部不一致」，转人工核查 → 若是，判定「未发现算术矛盾」（注意：这不等于「通过」）。

【扩展】同一逻辑可推到标准差（GRIMMER）与整条分布（SPRITE）：给定 N 与粒度，可枚举的均值-方差组合是离散且稀疏的。出处：Brown & Heathers (2017, Social Psychological and Personality Science) 提出 GRIM；Anaya (2016) 给出 GRIMMER；Heathers & Brown (2019) 给出 SPRITE。原始研究报告的失败比例在若干已发表样本中达到数十个百分点（精确值随样本而异，我对此保留态度，但量级显然不是零）。

【元分析含义】这一点对 meta-analysis 尤其锋利：若一篇纳入研究的均值过不了 GRIM，问题不是「效应量有偏」，而是「这个数字不存在」。此时正确的处理不是加权、不是 trim-and-fill、不是 Egger 检验，而是把它从主分析移出、放进敏感性分析，并在流程里记为「数据完整性问题」而非「偏倚风险」。但这里立刻有个设计两难：把 GRIM 设为纳入标准，会系统性排除「报告不规范但数据真实」的研究，而这类研究往往来自资源少的团队——审计工具因此可能变成一层新的选择偏倚。

【值得辩论的问题】既然 GRIM 的负向预测力高、正向预测力为零，它该不该进入期刊的接收前流程，而不是只做发表后审计？换句话说：我们是用算术去抓骗子，还是用它去教人正确报告？前者几乎无效，后者可能真的有用——而后者的收益，用任何一项元分析都估计不出来。