【锚点】这一讲只钉一个判断：【开放数据不等于可复现性】；真正可复现的最小单元不是【原始数据】，而是【可拒绝的估计管道】。

【显式】服务【开放数据不等于可复现性】：Open Science Collaboration（2015）复现 100 篇心理学研究，63% 成功，中位效应量比原研究小约 50%。即使数据可得，复现结果仍会偏离原结论。

【反方】服务【开放数据不等于可复现性】：开放数据至少提供【原材料】；没有数据，复现者连【复现幻觉】都没有。【反驳】原材料不能替代【分析判断】；可复现性要求读者能拒绝某个选择，而不是只拿到可下载文件。

【隐式】服务【估计管道才是复现对象】：同一份数据可经过【清洗规则】→【变量编码】→【模型设定】→【缺失处理】→【效应量计算】得到不同点估计。若只开放数据，读者只能核对【材料】，不能核对【判断】。

【细微】服务【可拒绝的估计管道】：可复现材料包里最值钱的不是 .csv，而是【拒绝清单】：哪条记录被剔除、为什么；哪个模型被替换、替换后效应是否翻转；哪个敏感性分析会推翻主结论。没有这些，复现者只能复现【作者叙事】，不能复现【证据边界】。

【极难发现】服务【开放数据的反作用】：开放数据可能制造【复现幻觉】——文件存在，读者误以为结论可检验；但真正不可检验的是【分析选择】。一个没有【分析计划】的开放数据集，会把复现成本转嫁给后来者。

【流程节点链路】【原始数据】→【清洗/剔除规则】→【变量定义】→【模型设定】→【敏感性分析】→【可拒绝清单】→【复现判定】。

【结论】可复现性不是【数据可下载】，而是读者能低成本地【拒绝某个分析选择】。【待验证点】如果一篇论文只开放数据、不开放分析代码与剔除清单，它是否应被标记为【部分可复现】而非【开放数据】？