Да не, у нас нормальный спор физтехов за тему, прям долгоповским сортиром потянуло =)

Я тебе приведу немного другой пример, который Парижанка тут упомянула.
DREES опубликовал некую работу, где пришел к выводу об эффективности вакцины. Маленькая проблема — цифры смертности в работе отличались от официальной статистики примерно вдвое.
Тут вот некая защита: https://news.in-24.com/coronavirus/173373.html

Там конкретно разобрано где как и почему образовалась разница. Но я спрошу с точки зрения законов сохранения:
есть накие глобальные цифры, которые должны сохраняться. Например, средняя вероятность заболевшему ковидом не выйти из больницы живым. И где-то как-то эта цифра должна получаться одной и той же.
Если разные методы дают оценку вдвое отличающуюся — то кто-то ошибается. И из текста оправданийу меня создается впечатление, что оценка DREES неверна. Возможно в рамках методики они и правы — но это только значит что методика кривая.
Тут я не могу прочитать полностью текст, моя критика на маленьких кусочках. о методике пар я не слышал. И не думаю что она сильно распространена — хотя бы потому, что требует специфически точной базы данных, которых у эпидемиологов рньше не было — ты сам сказал что это отдельно разрешение на синтез данных разных баз. Там есть ссылка на методологию? Мне лень копать, сколько среди авторов data scientists и статистиков, а сколько эпидемиологов?

А основная моя тема, уж извини — я только помяну, и обещаю что не буду развивать — это то что цифры этих исследований — это не академические забавы, а цифры на основе которых принимаются решения. И это надо помнить при публикации