一份调查就像用一把略有偏差的尺子，去量一群本来就没抽准的人：结果不准，可能是工具测错了，也可能是样本不像总体。透明工作流的价值，是把这两类误差拆开检查，而不是最后只交付一组难以追溯的权重。
Shira 介绍的案例来自新版《Bayesian Workflow》第 19 章：2020 年，研究者检测了加州 Santa Clara County 的 3330 名居民，其中 50 人抗体阳性。建模时既要考虑检测的特异度和灵敏度——即没有感染时测出阴性、感染时测出阳性的概率——也要校正样本与当地人口结构的差异。原分析把两者分别设为 0.995 和 0.80；Gelman 与 Carpenter 则建议用既往研究构造先验分布，把这些参数的不确定性也纳入估计，并检查结论对先验选择是否敏感。
代表性一侧，传统做法在同时校正许多变量时可能产生极大权重。替代思路是 MRP：先用层级模型估计不同人群，再按总体中的真实占比汇总。它把“测得准不准”和“抽得像不像”放进同一套可逐步诊断的流程。不过材料也提到，一次实际尝试曾“crashed and burned”；新论文专门讨论复杂模型出现意外结果时如何排查，但本文尚未给出其具体诊断步骤。