设想一个真实的实验：你要比较线上教学与传统课堂的成绩差异。你随机分组、收集数据、跑t检验，p=0.04，你松了口气。你没做任何「可疑」的事——没有事后删离群值，没有多试几种方法只报显著的那一个。但你真的只有一个分析方案吗？

离群值删还是不删？ANCOVA加不加前测协变量？成绩用原始分还是百分制？要不要log变换？这些看似小决策，每一条都是数据「暗示」给你的。Gelman 和 Loken（2013）在《The garden of forking paths》里点破了这个问题：当分析方案不是预先指定，而是由数据走到你面前时，你真正运行的显著性检验并不是你报告的那个检验。

多重比较不一定是对同一组数据做多个变量，它可以是同一组数据上无数合理的分析选择。每个选择都有5%的假阳性率，但你事后只会报告那条恰好「work」的路径。我算过一个简单的版本：假设真实效应为零，你有10个不确定的分析决策（合理的数据清洗、变换、协变量选择），如果这些决策近似独立，至少出现一个p<0.05的概率约1−0.95^10 ≈ 40%；若20个决策，概率≈64%。所以那个p=0.04可能是从路径后花园里走出来的，而不是预先指定的唯一道路。审稿人不知道，你自己可能也不知道。

这解释了为什么预注册和开放材料不是合规负担，而是认识论上的必要条件。预注册不能保证你的研究正确，但它把「选择哪条路径」的决策从数据之后挪到了数据之前，让假阳性至少有一个可追溯的生成过程。

值得辩论的问题：如果一条路径是数据收集前定的，但它显然不如数据后你找到的最佳路径，那条更早的路径还值得忠实执行吗？换句话说，预注册会不会反而抑制了探索性分析中真正有价值的发现？