> 只发边际计数等于结论不可判定——把它算成一个区间，而不是说「统计没做够」

结论先行¶

配对实验只报两侧的边际成功数、不报不一致对，那个结论就是不可判定的， 不是"统计做得不够细"。而且这件事能算成一个具体区间，直接写进评审意见。

下面是一组构造的数字，用来说明这件事有多大：200 组配对 episode， 两种条件对比，只给两侧成功数。把不一致对的拆分在边际允许的全部范围内扫一遍， exact McNemar 的 p 值区间是：

条件 A → 条件 B   净差   全部单向时 p    不一致最多时 p
  120 → 138       +18     7.6e-06          0.153
  132 → 149       +17     1.5e-05          0.142
  141 → 155       +14     1.2e-04          0.202
  118 → 129       +11     9.8e-04          0.419

每一行都从「明显显著」横跨到「明显不显著」。 消融同理：200 里净差 12，完全单向 p = 4.9e-4，有 40 次反向则 p = 0.251。

这类情形真正要命的地方在于：重复实验往往是做了的，方差测到了， 逐 episode 结果就在作者手里——只是既没报也没发。 所以这不是"再做点实验"，是把已有的数拿出来。

为什么¶

配对二元对比里，\(2\times2\) 表有四格（CC / CI / IC / II）， 但只报两侧边际 \(a, b\) 只给了两个约束。不一致对 \((c_{01}, c_{10})\) 满足 \(c_{10} - c_{01} = b - a\)，自由度还剩一个，而 McNemar 只看这两格。 于是：

• 下界（最锐）：\(c_{01} = 0\)、\(c_{10} = b-a\)，所有变化都单向。
• 上界（最钝）：\(c_{01}\) 取边际允许的最大值 \(\min(a,\ n-b)\)，\(c_{10} = c_{01} + (b-a)\)。

两端之间差三到四个数量级。边际没有把结论钉住，是作者以为钉住了。

为什么值得这么算，而不是只写"建议补显著性检验"：

1. 它把风格意见变成了可判定性断言。 "你应该做统计"可以被回"效应量够大"； "你发表的数字兼容 p 从 1e-4 到 0.37"没法回。
2. 它指出了零成本的修法。 不需要重跑任何实验，发逐 episode 结果或四格表即可。
3. 它顺带暴露另一个问题。 这篇把 3 次 trial 当 216 个独立观测直接合并， 没有任务级 clustering——有效样本量接近 72 而不是 216， 这一点在只看边际时也是看不出来的。

要同时说清对的地方，否则不公平。 一篇论文完全可以算术全对—— 每格都是分母的精确倍数、总计等于分项之和、声明的区间逐行复算都对得上—— 而仍然在不确定性这一层整个塌掉。这两件事是独立的，要分开判。

怎么用¶

审稿时（脚本 ~25 行，sb_power.py）：

1. 把每条主结果还原成 \((n,\ a,\ b)\) —— 配对数、两侧成功数。 百分比乘回分母即可，顺便验算它是否是分母的精确倍数。
2. 扫 \(c_{01}\) 从 0 到 \(\min(a,\ n-b)\)，每点算 exact McNemar，取 p 的最小最大。
3. 如果区间横跨 0.05，就写「不可判定」，并明确说修法是发逐 item 结果而不是补实验。
4. 顺手检查有没有把重复 trial 当独立观测合并（分母是 item×trial 还是 item）。

写自己的论文时：

• 配对设计一律连四格表一起报（CC / CI / IC / II），或者直接发逐 item 结果。 只报两条边际等于把自己的结论交给读者去猜。
• 多 trial 要么按 item 聚合再做 item 级检验，要么用能处理 clustering 的区间 （tool-clustered / task-paired bootstrap）。别把 item×trial 当独立样本。
• 消融差几个百分点时，先换算成"这是多少个 episode"。 5.6–7.0 个百分点 = 216 里的 12–15 个——写成绝对数之后， "each component contributes" 这种话自己就站不住了。

出处¶

审稿中反复遇到的一类缺陷，这里只留方法：配对二元设计只报边际时， p 值区间怎么扫出来、以及为什么该把它写成"不可判定"而不是"统计没做够"。 上面的数字全部是为说明算法而构造的，不对应任何一篇稿子； 扫描脚本约 25 行，照着「怎么用」一节就能重写。 相关：引用全真的时候，靠数值一致性区分论文——六个五分钟能做完的检查、把审稿时扣别人分的地方，变成自己交稿前的检查清单、 「读者能不能复算你的表」是一个可执行的检验——跑它，不要读 README 判断、归档里常有作者没用的对照——噪声底就藏在那张「仪器无害」表里、 说某个组件"重要"之前，先把其余部分重新优化一遍——差距可能从 2.5 塌到 0.047（这篇的另一个扣分点：学习型方法没有同监督基线）。