Data Quality Missingness Representativeness

域 ID	domain.data-quality-missingness-representativeness
C 层级	C4
研究对象	Data Quality Missingness Representativeness
持续性作用	主要把科学、医疗、数据、制度或技术从潜在能力转成真实可用路径。
证据状态	部分审查
仓库路径	domains/c4-conversion-channel/data-quality-missingness-representativeness

Data Quality Missingness Representativeness是 Human Infra 对“Data Quality Missingness Representativeness”建立的稳定研究域；其对象边界由仓库材料界定为：研究数据质量、缺失机制、代表性、测量误差和数据治理如何决定 Human Infra 定量模型是否可信。^[1]

研究对象与边界

本页只描述一个稳定对象：Data Quality Missingness Representativeness。它不等同于单一产品、个体方案或既成疗效；同名活动若具有不同对象、终点或治理责任，应另建页面而不是合并结论。

缺失数据机制：MCAR、MAR、MNAR，以及失访、删失和选择进入机制。
代表性、抽样偏倚、覆盖偏倚、健康志愿者偏倚、幸存者偏差和外部可推广性。
测量误差、批次效应、设备差异、标签噪声、编码漂移和数据血缘。
公开队列、EHR、wearables、omics、registry、trial、claims 和 survey 数据的适用边界。
数据质量如何进入因果、预测、校准和模型治理。

C 层级与对主体持续性的作用

本域位于 C4：可能性转换通道层。把知识、技术、医疗或制度能力转化为可达路径；其价值取决于可靠接口、证据和实际可及性。

原域给出的持续性作用为：主要把科学、医疗、数据、制度或技术从潜在能力转成真实可用路径。。在证据上必须区分直接作用、间接作用和条件保障；除非出现预先定义的生存、功能、风险或连续性终点，不能把过程完成或机制合理性写成“实现有效永生”。

关键变量、机制链与状态变化

对象变量：缺失数据机制：MCAR、MAR、MNAR，以及失访、删失和选择进入机制。
对象变量：代表性、抽样偏倚、覆盖偏倚、健康志愿者偏倚、幸存者偏差和外部可推广性。
对象变量：测量误差、批次效应、设备差异、标签噪声、编码漂移和数据血缘。
对象变量：公开队列、EHR、wearables、omics、registry、trial、claims 和 survey 数据的适用边界。

Data Quality Missingness Representativeness
  -> 改变上述可测变量与约束
  -> 改变主体能力、载体状态或外部路径可达性
  -> 改变失败率、恢复时间、资源消耗或不可逆损失风险
  -> 只有在适用对象与时间窗内改善最终功能/生存/连续性终点，才支持持续性收益

反向解释同样必要：变量变化可能只是相关、测量偏差或代理终点变化，不能自动归因于该域中的某项干预。

主要技术或治理路线

定义对象、适用人群、情境和时间窗；
建立可测变量、基线、对照和失败阈值；
比较预防、修复、替代、制度或信息路线，并把副作用与机会成本纳入。

路线比较至少要记录前置依赖、可验证终点、失败阈值、替代路线和退出条件；未来路线一律按“条件性”处理，不写虚假实现年份。

上下游依赖与替代路线

上游或高层约束：

下游技术或相邻对象：

若主要路线不能达到最终终点，应比较风险预防、损伤修复、功能替代、流程改造、社会支持或退出/转介等替代方案，而不是以增加复杂度代替证据。

当前证据状态与验证终点

2026-07-25 结构化审查完成；登记 5 条 Source Signals，其中 0 条为具体 URL、5 条为首页/搜索/聚合路由。仅核心来源或相应证据页标明“已核验”时，才可承担实质主张。

最低验证要求是：明确适用对象、基线、对照、时间窗、测量误差和预注册终点；同时报告不良结果、失败案例和分布差异。过程指标只能证明过程发生，不能单独证明主体风险下降。

反证条件：若在合格设计中未改善预设最终终点、净风险上升、效果不能重复、只在不相关模型成立，或依赖不可接受的资源与治理假设，则应降低本域路线的证据等级。

失败模式与治理边界

对象漂移：把多个不同对象、场景或人群混成一个平均结论。
代理终点替代：把点击、完成率、分子指标、短期性能或局部成功当作长期净收益。
因果越界：把相关性、机制合理性、体外/动物结果、早期临床或预测模型写成已证实的人体效果。
可达性失败：技术存在但人员、成本、供应链、法律、基础设施或维护使其不可用。
风险转移：局部风险下降但把负担转移给其他器官、家庭、群体、时间段或公共系统。
本页不提供个体诊断、治疗、用药、寿命预测、法律决策或危险实验操作建议。

开放问题

哪个最终终点最能代表本域对主体持续性的真实贡献？
哪些变量是因果中介，哪些只是相关指标或记录偏差？
效果在不同人群、地区、资源水平和长期时间尺度上是否可重复？
何种失败阈值应触发暂停、替代、转介或治理升级？
本域与相邻页面的边界是否足够稳定，是否仍存在需要拆分的对象？

仓库研究材料（保留）

以下内容来自受治理的 Human Infra 域 README，用于保留项目问题分解和历史语境；其中外部事实仍以证据页为准。^[2]

定位

本域研究数据质量、缺失机制、代表性、测量误差和数据治理如何决定 Human Infra 定量模型是否可信。

如果数据本身偏、缺、错、不可迁移，后续因果推断、生存分析、数字孪生和模型校准都会被污染。这个域是所有预测模型进入研究前的数据入口门禁。

先验位置

有效永生 / 主体持续性最大化
  -> 需要用数据观测主体状态、风险和干预效果
  -> 数据可能缺失、偏倚、不可代表、测量错误或来源不可追溯
  -> 需要数据质量、缺失机制和代表性审查
  -> data-quality-missingness-representativeness

关注对象

缺失数据机制：MCAR、MAR、MNAR，以及失访、删失和选择进入机制。
代表性、抽样偏倚、覆盖偏倚、健康志愿者偏倚、幸存者偏差和外部可推广性。
测量误差、批次效应、设备差异、标签噪声、编码漂移和数据血缘。
公开队列、EHR、wearables、omics、registry、trial、claims 和 survey 数据的适用边界。
数据质量如何进入因果、预测、校准和模型治理。

Human Infra 模型链路

数据源
  -> 数据质量、缺失机制和代表性审查
  -> 决定变量是否可进入因果推断或预测模型
  -> 偏差和缺失传播到风险函数、生存曲线和数字孪生
  -> 模型输出必须继承数据来源的适用边界和禁止用途

非目标

不收集、存储、清洗或发布个人敏感数据。
不提供数据再识别、隐私规避、爬取、数据买卖、伪造、补全造假或统计操控方法。
不把缺失数据“补完”后伪装成真实观测。
不用代表性不足的数据支撑普遍化个体结论。

下一步

建立 Human Infra 数据卡字段：source、population、collection process、missingness、measurement error、representativeness、license、privacy boundary。
为公开队列和数据库建立 Source Card，先审数据入口再进入模型。
与 uncertainty-quantification-model-calibration/ 对接，把数据质量风险传递到模型可信度。

证据路由

证据来源：STROBE reporting guidance（b85f11d6）：STROBE reporting guidance（原 Source Signals 指向首页、搜索或聚合入口；未作为外部链接导入）
证据来源：RECORD statement for routinely collected health data（c3d4a5b3）：RECORD statement for routinely collected health data（原 Source Signals 指向首页、搜索或聚合入口；未作为外部链接导入）
证据来源：All of Us Research Program（e8cfff97）：All of Us Research Program（原 Source Signals 指向首页、搜索或聚合入口；未作为外部链接导入）
证据来源：UK Biobank（016da0de）：UK Biobank（原 Source Signals 指向首页、搜索或聚合入口；未作为外部链接导入）
证据来源：GTEx Portal（71043308）：GTEx Portal（原 Source Signals 指向首页、搜索或聚合入口；未作为外部链接导入）