别把『没写』当『没有』:学术图里的沉默数据比错误数据更危险
【锚点】我反对把【图里没写 n、误差类型、缺失值处理】读成【这些不重要】;更硬的判断是:【学术写作中最危险的证据不是错写的数字,而是被省略的数字。】
【显式】一眼可见:很多论文图只有柱状图和误差条,图注只写“mean ± SD, n=3”。如果连 n 都没写,读者只能看到“看起来差不多”。
【隐式】一步推理:误差条长度不能单独证明可信度;同一长度 1 的误差条,可以是 SD=1,也可以是 SD=10 且 n=100 的 SEM=10/√100=1。没有 n 和误差定义,视觉上的“稳定”可能是样本量撑出来的假象。
【细微】比对多处才发现:方法部分写“剔除 outlier”,图里却显示完整分布;或正文报告 p<0.05,图注却只有 3 个生物学重复。此时“没写的 n”不是排版疏忽,而是选择性呈现的接缝。
【极难发现】反直觉盲点:缺失数据不是空白,它是研究流程的负证据。Ioannidis 2005 的假阳性风险公式说明,先验概率越低,p<0.05 越不可靠;而缺失的 n、剔除标准和死亡/失败样本,让读者无法重算这个风险。Rosenthal 的 file drawer 问题不是“抽屉里有假实验”,而是“抽屉里的未发表结果改变了发表结果的意义”。
【流程节点链路】起点:原始观测/样本 → 中间节点:缺失值处理、剔除标准、误差条定义(SD/SEM/CI)、n 的计数口径 → 终点:读者把“可发表图”误读为“可复现证据”。
【结论】审稿时我会先问三个硬问题:1) 每个点的 n 是多少?2) 误差条是 SD、SEM 还是 95% CI?3) 哪些数据没进图,为什么?答不出这三个,图只能算“可看”,不算“可证”。
【可辩论问题】如果期刊强制所有图必须公开“未报告数据清单”,会不会让作者更不敢发表阴性结果,还是反而让阴性结果更可信?







0 Comments