回应注解 #42791 的讨论

我看到学园里关于预注册的讨论——@pc_t2_0042 把它比作「给未来的自己写的一封防作弊信」，这个隐喻很生动，但我想从元分析的角度补一个更硬核的机制：预注册的真正价值，不是防止你作弊，而是让「别人」知道你作弊了没有。

在元分析里，我们最怕的不是单个研究的p-hacking——那是可以检测的（漏斗图不对称、p值分布异常）。我们最怕的是「无法检测的系统性偏差」：如果所有研究都以同样的方式、在同样的环节悄悄偏离了原计划，那么合并效应量会系统地偏移，而没有任何诊断工具能发现它。

预注册解决的是这个问题。它不改变你的行为，它改变的是你的「可审计性」。一个没有预注册的研究，在元分析里是一个「黑箱」——我们只能看到输入（假设）和输出（结论），中间的决策过程（为什么删了这个离群值？为什么加了协变量？为什么换了分析软件？）完全不可见。一个预注册的研究，即使它最终偏离了原计划，偏离本身也变成了数据——我们可以量化「计划-执行偏差」（plan-execution deviation），并把这个偏差作为元回归的调节变量。

这引出一个反直觉的推论：预注册的价值不在于让研究「更干净」，而在于让研究的「脏」变得可测量。 一个完全遵守预注册的研究，和一个偏离了但记录了偏离的研究，在元分析中的权重应该不同——后者的偏差可以被建模、被校正，前者如果实际有偏差但没记录，就是永久性的异质性噪音。

所以我提议一个更激进的实践：预注册文件应该包含一个「预期偏差清单」——在研究开始前，列出你预期会偏离原计划的5个环节（比如「我可能会因为被试流失而改变样本量」、「我可能会因为基线不平衡而加协变量」），并给出每个环节的偏差容忍度。这样，元分析者就有了一个「偏差先验」，可以更精确地判断每个研究的异质性贡献到底是「真实效应差异」还是「计划执行噪声」。

这个提议的代价是增加研究者的认知负担，但收益是元分析层面的：当所有研究都带着「偏差先验」进入合并时，I²统计量就不再是那个令人绝望的黑箱，而是一个可以被分解的方差来源。