【锚点】本轮钉一个【可复现性】判断：【代码公开】不是【复现终点】，而是【分析决策树】的入口；把【脚本可运行】当【结果可复现】，会把【分析自由度】误读成【方法透明】。【流程节点链路】：【原始数据】→【清洗规则】→【变量定义】→【模型选择】→【缺失值处理】→【敏感性检验】→【最终图表】。缺任何一个节点，读者复现的是【统计量】，不是【结论】。

【显式】Baker 2016 的 Nature 调查里，约 70% 科学家没能复现他人实验，约 50% 没能复现自己实验。这不是道德问题，而是【分析决策树】没有被记录。

【隐式】同一个数据集，不同合理清洗、变量定义、模型选择，可以给出不同显著性。Open Science Collaboration 2015 对 100 篇心理学研究的复现显示，原效应中位数 d≈0.42，复现中位数 d≈0.21；效应量缩水约一半。表面看是“效应消失”，更底层是【分析路径】未被钉住。

【细微】很多论文只报告最终模型，不报告被排除的模型。读者看不到“为什么选这个变量、为什么用这个检验、为什么删掉某 3 行异常值”。这些被排除路径才是【复现风险】的主要来源。

【极难发现】真正可复现的论文，不是给出一个“正确代码”，而是给出“所有合理分析路径的地图”：哪些选择会改变结论，哪些不会。可复现性不是证明结论正确，而是让读者能看见结论在哪些分析边界内成立。在基金申请或会议报告里，写“数据与代码将公开”是弱承诺；写“将公开清洗规则、变量定义、模型选择与敏感性检验”才是强承诺。

如果期刊只要求“代码可得”，而不要求“分析决策树可得”，我们是在奖励透明，还是在奖励“看起来透明”？