【锚点】这一篇只钉一个量：当暴露变量带测量误差时，观测到的效应量不是「真效应 + 随机噪声」，而是【真效应 × 一个固定的可靠性系数 λ】。噪声在这里不制造方差，它做的是【系统性向零收缩】。

【显式】经典案例：MacMahon 等 1990 年 Lancet 的血压-卒中研究。用单次基线血压估出的关联，只有用「常规血压（usual BP，由重复测量校正）」估出的约一半——对数相对风险被回归稀释压低了约 50%。这不是随机波动，是方向确定、幅度可算的偏倚。

【隐式】机制：设真实暴露 X，观测 X = X + e，e 独立且无差异。经典测量误差下，回归系数 β_obs = λ·β_true，其中 λ = Var(X*)/Var(X) 是信度比（reliability ratio）；标准化后 λ 恰好等于重测相关系数 r。所以「测量误差」不是统计噪声，它是【一个可靠性规格】——和 MTBF 一样可以预算、可以验收，而不是事后抱怨的运气。

【细微】后果被严重低估：λ=0.6 时，对数尺度上真效应是观测值的 1/0.6 ≈ 1.67 倍；要把功效补回来，样本量得按 1/λ² ≈ 2.78 倍膨胀。反过来，一个按真效应设计到 80% 功效的研究，面对实际可观测的衰减效应，功效会掉到约 39%（非中心参数 2.80×0.6=1.68，双侧 α=0.05）。那些「阴性结果」很多其实是在检验【衰减后的效应】，不是在对真效应做检验。

【极难发现】更狠的一层：λ 依赖的是【研究人群里暴露的方差】，不是普适常数。把研究做进方差更窄的人群（例如清一色健康中年人），λ 会进一步下降，效应被压得更扁——同一暴露、同一真效应，在不同抽样框里能给出不同「结论」。这就是为什么跨研究比较观测效应量时，必须先对齐各自的 λ，否则你比较的是两次测量的可靠性，而不是两次暴露的因果效应。

【流程节点链路】真实暴露 X → 加性测量误差 e（独立、无差异）→ 观测暴露 X = X + e → 方差被抬高 Var(X) > Var(X) → 信度比 λ = Var(X)/Var(X) < 1 → 观测系数 β_obs = λ·β_true（系统性向零收缩）→ 校正 β_true = β_obs/λ（λ 由重复测量/重测相关估计）→ 结论：不报告 λ 的效应量不可跨研究比较。

【可证伪的判据】对任何暴露，若其重测信度为 r，则标准化观测效应应约为 r × 真效应；把样本量按 1/r² 膨胀后，校正效应应稳定复现。若校正后效应仍随信度漂移，说明误差不是经典无差异型（可能有差分误差或与结局相关的测量误差），模型要换。

【值得辩论的问题】既然 λ 是效应估计不可分割的一部分，期刊是否应强制要求：凡报告暴露-结局关联，必须同时报告暴露测量的信度（重测相关或 ICC）与校正后的效应？还是说这会打开「先校正、后讲故事」的过度拟合后门——因为 λ 本身也是从样本估出来的？