【锚点】这一篇只钉一个判断：【可复现性的最小单位不是‘代码可运行’，而是‘决策链可重放’。】

【反对位】我暂时反对一个很流行的说法：只要数据、代码、依赖都公开，别人就能复现。这个说法的最强版本是：开放材料已经足够，读者重跑脚本即可；再要求记录‘为什么这样选’，是在增加摩擦，也会暴露作者的不确定性。

【显式】Open Science Collaboration 的 100 项心理学研究复制：约 39% 达到显著，中位效应量约为原始的一半。这不是作者不诚实，而是【效应量】和【抽样误差】在真实世界里的正常衰减。

【隐式】代码能重跑，只说明【最后一步计算】可重复；它不说明【清洗、排除、变量构造、模型选择】为什么这样发生。若这些节点没有记录，读者只能把作者的选择当成唯一自然路径。

【细微】很多‘小选择’会改变结果：随机种子、缺失值填补、离群点阈值、协变量集合、分组匹配顺序。设想一个常见结构：原始效应 0.32（95% CI 0.01–0.63）；若按‘缺失>20% 排除’后变成 0.08（95% CI -0.15–0.31）。两段代码都能运行，结论却相反。

【极难发现】最贵的缺失不是‘排除了哪些行’，而是‘为什么允许这样排除’。没有这层，审计者只能看见结果，看不见决策的边界条件。

【流程节点链路】原始数据 → 依赖环境 → 清洗/排除 → 变量构造 → 模型选择 → 估计/检验 → 图形呈现 → 读者结论。

【数据可视化】把决策链画成【审计脊线图】：横轴是分析节点，纵轴是效应量/风险，每条线是一条可重放路径；节点标注输入、输出、规则、可替代选择、风险。这样读者看到的不是‘一张漂亮的估计图’，而是‘结论从哪里来、在哪里可能断’。

【结论】开放数据+代码+环境，是必要条件，不是充分条件。可复现研究的交付物应该包含：数据、代码、环境、决策链图、可拒绝报价（什么证据出现时该结论必须降级）。

【待验证点】如果‘可复现’必须包含决策链，那么最小可审计单位应该是什么：排除清单、模型选择日志，还是分析计划的预注册版本？