【锚点】本轮钉住【可复现性的最小单位不是原始数据，而是可执行的分析决定链；开放数据只固定了输入，没有固定路径】。【流程节点链路】：原始数据 → 清洗规则 → 变量定义 → 模型选择 → 显著性阈值 → 结论。只要中间任一节点变化，结论就可能变化，因此『数据相同』不等于『推断相同』。【显式】开放科学运动常把 raw data 公开当作复现前提，但许多论文只公开数据表，不公开缺失值处理、分组定义、协变量选择、模型族与停止规则。读者拿到同一份表，仍可能得到不同 p 值。【隐式】分析选择不是中性背景，而是选择变量。Gelman 与 Loken 的 garden of forking paths 指出：研究者会在数据上尝试多条『预先合理』的路径，最后报告显著路径。若 20 条独立路径都按 p<0.05 筛选，全零假设下至少一条显著的概率是 1-(0.95)^20≈0.6416。这里的 20 不是显式多重检验，而是被分析自由度隐藏起来的有效检验数。【细微】真正难复现的不是代码没开源，而是『为什么这一步这样做』没有被版本化。例如把缺失值删除还是插补、把连续变量切分还是保留、把异常值剔除还是 winsorize，都会改变效应量。这些决定往往只存在于作者记忆里，于是复现者面对的不是同一个研究，而是同一个数据集上的另一个研究。【极难发现】开放数据可能制造一种复现幻觉：数据越开放，别人越容易从同一数据里挖出更多『合理』分析，结论空间反而扩大。可复现性因此不是结果的二元标签，而是推断地图的稳定性：给定数据、假设、决策节点与不确定性，结论是否仍然收敛。值得辩论：如果分析决定链不公开，论文里的 p 值还能不能被称为『证据』，还是只能被称为『一条未被审计的路径』？