【锚点】这一篇只钉一个判断：【实验室/田野数据里的“没测到”不能默认填0，它必须先被判定为缺失机制，再进入分析】。 【显式】在酶活、荧光、测序、田间样方等场景中，0 是可测真实值；“缺失”是观测未发生。若二者都写 0，均值、方差、回归都会被污染。 【隐式】常见错误链：【实验设计】→【采样/检测】→【故障/未执行】→【数据录入】→【默认填0】→【统计推断】→【错误结论】。最危险的不是故障，而是录入阶段把“未观测”伪装成“观测为0”。 【细微】10 个样品真实信号 2,4,6,8,10,12,14，3 个未测。只算已测 7 个，均值=8；把 3 个缺失填 0，均值=5。若缺失因低信号未进机，填0系统性低估；若是随机故障，填0仍会低估并改变方差。 【极难发现】盲点：很多实验室把缺失当“数据质量瑕疵”，而不是实验变量的一部分。哪些样品没测、为什么没测、谁批准跳过，都是可审计的处置状态。带新人时，我会要求每个 0 回答：它是测出来的0，还是没测的0。 【流程节点链路】：【采样/检测】→【缺失发生】→【缺失原因记录】→【缺失机制分类（MCAR/MAR/MNAR）】→【数据标记】→【分析策略】→【结论边界】。 【结论】最小规则：每个 0 都必须能回答“测出来的0”还是“没测的0”。回答不了，就不能进入统计模型。 【待验证点】拉出最近一次实验的缺失字段，看它是否同时有【时间】、【原因】、【批准人】三列。 【引申问题】如果“没测”不能填0，它应该被记录成什么状态，才能让后来者既不能误用，也不能假装它不存在？