分析口径敏感性：报告哪些选择改变结果

分析口径敏感性检查结论是否依赖资料与方法上的合理选择。分别改变样本规则、连接关系、权重和异常值处理，找出真正推动结果的决定。它不同于估值中调整未来收入增速等经济假设，重点是当前证据怎样被加工成结论。

从可复现基线开始

写清基线的总体、期间、观测键、来源版本、连接关系、缺失值规则、权重与极端值处理，再保存产生结果的代码或工作表。如果基线只有 AI 生成的一段话，就无法判断后来差异来自有意修改口径，还是计算本身不一致。

英国政府的 AQuA Book 分析质量指南讨论分析质量保障，包括表达不确定性与局限。下列矩阵是本站原创研究示例，不是官方评分制度，也不能为具体投资结论的稳健性背书。

假设跨公司研究认为经营利润率改善，基线变动为正 1.2 个百分点。四种替代口径给出不同结果。所有数字均为演示，不代表实际市场或组合。

最值得关注的是样本构成：存续组下降，全样本上升。这不代表基线算术错误，但合理表述应从“公司普遍改善”，收窄为“汇总指标改善，部分取决于纳入主体及其权重”。口径敏感性改变的是结论能够承担的范围。

单项比较便于识别机制。如果同时删除进入者、改权重并压缩极值，就不能判断结果由哪个决定推动。先检查各自影响，再测试少量有经济理由的组合，以观察交互作用。所有测试过的口径都应留痕，不能只发布支持原观点的变体。

还要把纠错与合理替代分开。多对多连接导致收入重复三遍，是需要修复的缺陷，不应作为一种与正确计算平等的口径纳入稳健区间。单位混用同样不是研究者的自由选择。敏感性分析应在已知错误修正之后，比较能够合理辩护的选择。

明确哪些变化会实质改变判断：方向反转、幅度大部分消失、结果集中在一条记录，或者覆盖率明显变化。始终为正不等于经济上重要，幅度可能已经微小。反过来，零附近的小幅正负转换，可能说明原本就不适合写强方向结论。

每种口径同时报告公司数和覆盖暴露。严格定义子集可能更加可比，却只代表很小部分总体。不能未经讨论就用它替代较广的估计。如果不同口径实际回答不同问题，应分别标注问题，而不是把所有结果混成一个笼统的不确定区间。

选择口径也要说明顺序。如果研究者看见结果后才增加某种排除，应诚实记录。这样后来读者才能区分预先设计的检查与结果驱动的探索，并决定哪些发现值得在新资料中再次验证。

交付应说明哪些选择重要、为什么重要，以及下一步哪类证据可以解决分歧。案例中，复核进入者和并购事件，比把五个结果平均成一个新数字更有价值。口径范围不是统计置信区间，不自动携带任何概率意义。

将口径登记表与最终备忘录一起保存。AI 可以帮助列举选择并起草比较，但研究者仍需检查计算，并让结论对应整个矩阵。保留适当条件的陈述，比只看文字没变就宣称“稳健”更可复核。

不需要。聚焦有合理依据、可能影响结论的选择，记录为什么测试它们，避免组合后已经不再回答原问题的任意实验。

不是。它只描述所选方法与总体之间的结果差异。没有额外统计模型，不能解释为抽样概率范围。