你论文里的统计方法，别人能复现吗？附投稿前自查清单|复现|实验|异常值|投稿|描述性|样本量|统计方法|论文

周五下午，师弟对着屏幕，眉头越皱越紧。

师弟

师姐，我用你去年那篇论文的原始数据重新做了一遍分析，p 值和论文里对不上。

你用的什么检验？

师姐

师弟

论文里写的是「采用 t 检验」，我就用了双侧独立样本 t 检验。

我当时用的是单侧，而且分析前剔除了两个离群点。

师姐

师弟

这些方法里都没写。你比较了好几组，有没有做多重比较校正，我也看不出来。图里的误差线是 SD 还是 SE，也没标。

……确实都没交代。

师姐

分析做了，不等于写了。方法部分不完整，别人就无法重复你的分析；结果部分报告不规范，读者就无法评估结论的可靠性。接下来将按「方法」和「结果」两部分，梳理统计报告中最容易遗漏的细节，供你写作和投稿前对照。

为什么统计描述这么重要？

统计方法就像研究的「食谱」。只列出食材，不写用量、顺序和火候，别人做出来的面包可能是生的、糊的，或者刚刚好。同样，方法中遗漏关键的分析细节，别人就无法重复你的分析，读者也难以判断结论是否可信。方法不明确，是研究难以重复的重要原因之一。不可重复的研究会误导后续工作、浪费时间和资源，也会削弱公众对科学的信任。

因此，报告统计内容要做到两点：

方法部分：详细到其他研究者可以精确重复你的分析；

结果部分：提供足够的信息，让读者能评估结果的可信度和实际意义。

一、如何报告统计方法

样本量：样本量告诉我们所掌握的信息量，并在一定程度上决定了我们对样本估计值的置信度。在「方法」部分，提供并定义研究中使用的样本量，并说明如何确定样本量。如果样本量是通过统计方法确定的（如效力分析），请说明所使用的统计方法。对于样本量的计算，请务必说明效力、效应大小和 α 值。如果没有进行样本量计算，请说明如何确定样本量，并提供样本量足够的理由。

数据转换：如果在分析前对原始数据进行了转换（如归一化、对数变换、比率），请描述转换过程，并说明为什么要对数据进行转换。

统计检验：通常在「方法」中，你会看到一份所用统计检验的清单，但没有说明每种检验的相应分析。如果采用这种方法，就不可能知道每项分析使用了哪种检验。为确保你的方法能够被精确复制，请确保方法中包含对每项分析所用统计检验的详细说明。避免只列出研究中使用的所有统计检验。

对于每项统计分析：

假设：验证数据是否符合用来分析数据的检验假设。例如，使用参数检验（如 t 检验）时，应证明数据呈正态分布。

定向检验（directional test）：如果适用，请说明是单侧检验（one-sided test）还是双侧检验。使用单侧检验时，一定要说明使用定向检验的理由。试想，你想检验一种廉价药物的疗效不低于一种昂贵药物的假设。在这种情况下，单侧检验是合理的，因为你只想证明药物的疗效不差，而不关心它是否更有效。

多重比较：如果分析涉及多重比较，请说明是否考虑了多重比较。如果是，请务必说明如何对多重比较进行调整（如 Bonferroni 校正）。

异常值：如果与研究相关，请说明如何处理异常值。数据集中的异常值可能会扭曲统计分析，因此可能有必要将其剔除。在剔除异常值时，请务必说明如何定义异常值，并解释该程序的合理性。

α 值水平：一定要报告用于定义统计显著性的阿尔法水平（如 p < 0.05）。确定结果的统计显著性取决于开始实验前确定的 α 值。在开始实验前选择显著性水平，可避免任何可能的结果偏差或统计「挑剔」。

软件/工具：同样重要的是，要命名用于在研究中进行分析的统计软件包或软件，并注明所使用的版本号（如 SPSS v.21.0）。不同软件包执行分析的方式可能会有所不同，尤其是对于较为复杂的分析。因此，一个软件包得出的结果可能与另一个软件包得出的结果不完全相同。在提供完整的统计方法记录时，精确的软件包信息可能是一个重要的细节。

二、如何报告统计结果

描述性统计（Descriptive statistics）：描述性统计用于总结和描述数据集合的主要特征。通过描述性统计，我们可以将数据可视化，并以更有意义的方式呈现数据。

在展示描述性统计时，应注意以下几点：

样本量：确保标明样本量（n）。确保以精确值而不是范围来报告每次分析的样本量。

百分比：在报告所有百分比时，确保包含分子和分母。

变异性测量（Measures of variability）：当数据呈正态分布时，使用均值和标准差来概括数据。应使用标准差（SD）而不是标准误差（SE）报告数据的变异性。标准误差是对样本平均数与总体平均数相差多少的估计，因此不是对观测值之间变异性的适当估计。标准差是对一组数值的变化或离散程度的测量。对于非正态分布的数据，可使用中位数和百分位间距、范围或两者兼而有之。

推论统计（Inferential statistics）：推论统计是根据样本观测数据的子集对总体进行推断和预测，然后得出超出描述性统计所能显示的结论。

在介绍推论统计时：

假设：在介绍统计检验结果之前，一定要说明所检验的假设，并描述分析的目的。

变量：确定分析中使用的变量，并使用适当的描述性统计对每个变量的数据进行总结。

样本大小：确保提供并描述样本量。每项分析的样本量应报告为精确值，而不是范围。例如，如果 A 组有 10 只小鼠，B 组有 13 只小鼠，则不要用「n = 10～13 mice」来报告样本量。相反，应明确指出每组的精确样本量（即 Group A, n=10 mice; Group B, n=13 mice）。

统计检验：说明所用的统计检验。如果适用，请指明是单侧还是双侧检验，并说明为进行多重比较而做出的任何调整。

结果：推论统计得出的结果应包括检验统计量、自由度、置信区间、P 值和效应大小。

P 值：在可能的情况下，以精确值而不是范围（如 p = 0.049 而不是 p < 0.05）来报告 p 值。在报告非显著性结果时，精确的 P 值尤为重要。假设一项研究的主要结果是 p = 0.054 和 p = 0.54，但在论文中这两个结果都被简单地报告为「不显著」。对这两个结果的解释是不同的，但由于没有提供精确的 p 值，这种差异并没有传达给读者。对于未达到你设定的显著性水平的结果，请报告精确的 p 值；避免将这些结果报告为 p > 0.05、「不显著」或 NS。

统计是规划实验、检验假设和解释数据的核心工具。把方法和结果写得清楚、完整，不仅能让你的研究经得起复现，也能让审稿人和读者一眼看懂你做了什么、为什么这样做，以及结果意味着什么。下次再收到「统计描述不完整」的意见时，对照这份指南，就知道该补哪里了。

再严谨的分析，如果表述含糊、不够地道，也会影响读者的理解。年底是很多课题组冲刺投稿、准备返修的时间，趁双十一，把润色这件事提前安排好。

11.11 科研加速季

AJE 多重礼遇助力成果发表