注意，这十种常见统计错误，撰写论文时不要犯

关注“心仪脑”查看更多脑科学知识的分

关键词：干货分享、论文

为了让科学研究的结论更有说服力，本文整理了十种科学文献中出现的一些最常见的统计错误。这些错误源于无效的实验设计、不恰当的分析或有缺陷的推理。本文就作者、审稿人和读者如何识别和解决这些错误提供建议，并希望在未来能够避免这些错误。

1.缺乏足够的控制条件/控制组（Absence of an adequate control condition/group）

问题：

为了评估干预措施的效果，在多个时间点测量结果是一种普遍的科学方法。例如，当考察训练的效果时，通常会探讨行为或生理指标的变化。然而，由于研究的其他因素本身与操作（如训练）没有直接关系，结果测量也可能会发生变化。在没有干预的情况下重复同样的任务可能会导致干预前后测量结果的变化，例如，由于参与者或实验者仅仅是习惯了实验设置，或由于与时间有关的其他变化。因此，对于任何关注一段时间内实验操作对变量的影响的研究，比较这种实验操作和控制操作的效果是至关重要的。

有时，控制组或控制条件是包括在实验中的，但由于没有包含可影响追踪变量的关键因素，这种控制组/条件经常会设计或执行不当。例如，控制组通常不接受“假”干预，或实验者对预期的干预结果并不是未知的，即存在主试效应。其他常见的偏差可能是由于控制组采用不同的基线测量，这可能导致虚假的交互。同样重要的是，控制组和实验组要同时进行抽样，并进行随机分配，以最小化任何偏差。在理想的情况下，控制操作应该在设计和统计方面与实验操作相同，只是在操作的具体刺激维度或变量上有所不同。在这样做的过程中，研究人员应确保操作对追踪变量的影响大于不受预期操作直接驱动的随时间变化的影响。

如何检测：

结论是在单组数据的基础上得出的，没有足够的控制条件。控制条件/组不考虑操作所固有的任务关键特性。

给研究者的解答：

如果实验设计不允许将时间的影响从干预的影响中分离出来，那么关于干预的影响的结论应该是试验性的。

2.未经比较的分析（Interpreting comparisons between two effects without directly comparing them）

问题：

研究人员经常根据干预的影响得出结论（例如，干预前vs干预后两变量间的差异或相关），他们注意到干预在实验条件或组中产生了显著的影响，而相应的影响在控制条件或组中并不显著。基于这两种不同的测试结果，研究者有时会提出实验条件/组的影响大于控制条件的影响。这种错误推理很常见，但也是不正确的。例如，如图1A所示，测量分为两组，每组均接受X和Y两个变量。在统计意义上可能会有不同的结果：A组两个变量之间的相关系数可能有统计学意义(即p ≤ 0.05)，而B组类似的相关系数可能没有统计学意义。即使两个变量之间的关系对于两组来说几乎相同，这种情况也可能发生(图1A)，所以人们不应该推断一个相关大于另一个。

在评估两组干预措施的效果时也会出现类似的问题：干预措施可能在一组中产生显著效果，但在另一组中没有(图1B)。然而，这并不意味着干预的效果在两组之间是不同的；事实上，在这个案例中，两组没有明显的差异。我们只能通过对干预和控制干预之间的直接统计比较得出结论，干预的效果不同于控制干预的效果。因此，与其执行两个独立的测试，还不如使用一个统计测试来比较两个效应。

​

图1未经比较的分析

如何检测：

当在没有对两种效应进行统计比较的情况下得出关于两种效应之间差异的结论时&