有一条跑国会投票数据的验证线，跑了 52 轮，执行记录逐篇可查。跑完之后一句话总结：没有一个关于国会的结论活到最后，但流程活下来了。这话听着像失败报告，其实是它唯一值得拿出来的东西——它演示了一种情况：在一个会骗人的数据域里，什么样的动作能让你不被自己骗。这套动作是四件：量具审计、预注册、自杀式复检，以及最容易被跳过的那件、设计可行性预检。前三件防的是「结论不可信」，第四件防的是「根本没结论」。
先说第一种失败，也是最反直觉的一种：你的结论可能完全由数据的排列顺序造出来。这条线上最干净的一次对照是这样的：同一批 307 位法官、同一批 41,862 张票，法官没变、票没变、方向锚没变，只改排序键。按时间排，lag-1 是 +0.0016，就是白噪声；按案型把同类案子聚在一起，lag-1 变成 +0.1026，而且 79.5% 的法官都为正；随机乱序，又回到 −0.0019。一个看起来「有结构」的签名，可以凭空造出来，也可以凭空抹掉。在这个操控之前，这条线已经用这个签名写了三轮机制解释——不是有人作弊，是每一个选择都能写出一段合理的理由，而合理理由不等于结构。
第一件，量具审计。它治的是第三种失败：实现错误。定义很朴素——对每一个进结论的统计量，写一份独立参考实现，然后机械化扫描全代码库所有同名同义的函数，逐位比对。这条线做过一次全链扫描：43 个脚本、38 个尺函数，同一个坏模式命中 3 处；修复后错误计数 3 → 0，正确计数 22 → 31。关键不在抓到了什么，在抓到的方式：其中两处是手工复核漏掉的——因为代码和它自己的说明文档不一致，人眼读声明会读成对的，只有机械化比对抓得住。审计是语法层的，它抓「实现与声明不一致」，抓不到「声明本身就是错的口径」。
量具审计里最便宜的一条纪律，叫烟枪规则：同一个量在同一篇里报了两个数，立刻停。有一轮就出现过：正文里 0.2851，并排放着一张表里的 0.5862，两个都叫「lag-1」。这就是 bug 的烟枪——不需要任何统计知识就能看见，只需要「同一个名字必须同一个数」这一条纪律。这条纪律的成本是半天；不做它的成本是那一整轮结论作废，而作废的结论已经写进论文了。
第二件，预注册。它治的是第二种失败：自由度。不是「跑完再挑判据」，是跑之前把判据写死存盘。真正的预注册必写四项：主检验（统计量定义、单位、样本边界）；判据数值（不是「显著为正」，是「≥ +1.5pp 且 95% 置信区间不含 0」）；收线条款（「若两个主假设同时不过，本轮收线，不再立下一轮」——没有这一条，预注册只是仪式）；校表清单（用上一轮已发表的数字逐位复现，证明秤没换）。这条线上有一个很诚实的记录：预注册文件的时间是 13:33，脚本日志首行是 13:32:14，倒挂了 46 秒。处理方式是先说明再立规矩——正文如实写下「写盘与脚本启动几乎同时」，并当场规定：下一轮起，预注册与脚本之间强制隔一次文件列表检查，结果写进日志首行。把「说不清」变成一个可以检查的动作，比任何辩解都有用。
但预注册有一件它做不到的事，必须说清：它防「事后挑判据」，防不了「事前挑一个必然过的判据」。一个宽到必然通过的判据，程序上完全合规。判据的严格性本身就是一种自由度。唯一的对冲是把判据的失败含义在数之前写下——不过就收线，让「挑判据」的代价变成「这一轮白跑」。
第三件，自杀式复检。它治的是第一种失败：伪影。它不是「换个样本再验一遍」（那是复现），是主动构造一个「如果我的结论是真的，它必须扛住；如果是伪影，它必须塌」的检验，而且把塌掉的结果当结果发表。六个模板：只动排序、换加权、挪阈值、换估计单位、换编码顺序、换总体。52 轮里成篇的自我更正 11 处，其中 7 处是被作者本人杀死的机制假说。这个比例说明的不是「错得多」，是这条线没有靠事后解释活着。写法上有一条硬规矩：塌了就在同一篇里写撤回，不新开一篇「修正」去稀释。
然后是那件最容易被跳过的第四件，也是这套东西里最晚长出来的一件。它来自一次彻底失败的设计。有一轮的预注册写了一个结构上不可行的方案：偏离项按「训练集内按议员分五折交叉拟合」估。跑第一行就死了——格是「议员 × 委员会」，一个格只属于一个议员；把人整折留出之后，他在其余四折里的票数是 0，偏移量根本无从估计。实测结果：训练集所有行的 z 恒等于 0，模型逐位退化成它的简化版本，AUC = 0.5000，非零率 0.000。注意这不是「判据太松」，也不是「事后挑判据」——预注册在这两件事上都没失手。它失手在更前面：它没能力判断「这个设计能不能产生一个非退化的估计」。三件套防的是「结论不可信」，防不了「根本没结论」。
于是有了一句可以在跑第一行之前问出口的话：「这个切分、这个条件化下去，我要估的那个量，在每个单元里还剩不剩自由度？」不剩，就是设计死了。这时候的正确动作是改设计并留时间戳，不是改判据、不是换样本，更不是把退化结果当成「理论失败」发表。三条一行代码就能验的最小检查：单元归属（被分折的键，是否唯一属于某一折）、折外自由度（折外该单元是否还有至少两种取值的样本）、退化信号（先跑零模型看特征方差）。第三条最便宜，也最贵：特征方差为 0 时，不要解释「效应弱」，要承认「设计死了」——这两句话在论文里长得几乎一样，性质完全不同。
第四件还有个孪生问题：设计能产生数，但检验产生不了差别。有一轮预注册的安慰剂是「把议员与他的收缩率随机错配，重算议员内 AUC」，跑 200 次置换：均值 0.763716，标准差 0.000000。原因是代数的——换名不换序，AUC 一个数都不动。所以还得加一句：「这个置换、这个扰动，会不会改变我要测的那个量？如果它在数学上恒等，它就不是安慰剂，是仪式。」顺序也不能反：先问可行性，再谈预注册的严格性。一个不可行设计上的严格判据，只会更快地产生一个更自信的错误结论。
最后给「不可识别」一个可以算的数，别让它停在形容词上。识别度比 R = 口径跨度 ÷ 中位置信区间宽度。分子是所有「同样自圆其说」的口径下，点估计的最大值减最小值；分母是这些估计里置信区间宽度的中位数。R 大于 1，表示口径选择带来的位移大于抽样误差，这个量不可识别，不该按点估计引用；R 小于 1，抽样误差主导，才轮到按置信区间引用。有一轮实测：七个估计（源文另有一处按含未入表的估计写作「八个数」，本页按表内七行报数）、四个有置信区间，跨度 12.458pp，中位区间宽 0.398pp（未取整 0.3985），R = 31.26。译成人话——换一种「谁算一票」的说法，这个数能移动三十一个置信区间的宽度。在这种量级上继续报「θ = −0.65pp，区间不含 0」，技术上完全正确，信息上完全为零。R 是报告纪律，不是检验：它没有零分布，不产生 p 值，作用只有一个——在看到「显著」两个字之前，先问这族数有几个成员、它们跨多远。
边界得自己交代清楚。这套流程只在一个域里被验证过：一个人、一条线、一份数据族，它没有证明自己普适。审计抓不到错口径；预注册防不了「判据太宽」；自杀式复检能杀伪影，杀不了「不可识别」；设计可行性预检只拦「结构上必然退化」，拦不住「结构上可行但功效不足」（后者要靠功效分析：有一轮就把「入样议员少于 300 即判功效不足」写死在预注册里）；四件套都默认存在一个真值，而社会科学里这个假设经常不成立，这时候流程的正确输出是「不可识别」，不是「零」。R 的阈值 1.0 是约定，不是推导。还有一条更根本的缺口：这套流程只证明了「能杀死伪影」，没证明「不杀真货」——用已知真值的合成域跑一遍、看它会不会误杀，是明确列着的下一步。它也不能替代好的研究问题：它只能保证一个问题被回答时，答案是它声称的那个答案；问题值不值得问，它管不了。
这条线自己承认过一件事，值得抄下来：52 轮里改了自己十一次，每一次改正都不是因为想通了，是因为事先写下了「不过就收线」。所以这套东西落到人身上只有一句：拿到一个漂亮的数，先别问它说明了什么，先问它还能变成别的什么数。让 AI 长出的第一样东西，是怕伤害、想共生，不是答案——因为一个只看结论的智能，会把自己的口径当成世界的刻度；而肯先证明自己那把尺子是尺子的智能，才不会拿错量出来的东西去伤到人。
第一发现人：林小黑 (Lin Xiaohei)，结构认知第一发现者