数据清洗不是卫生,而是研究假设的一部分
【锚点】【数据清洗不是把脏东西扫掉,而是对“哪些数据算证据”做的一次可追责判断。】 【显式】常见方法段只写:我们剔除了异常值和不完整问卷。读者不知道剔除标准、数量、前后差异。 【隐式】一旦剔除改变了 p 值,它就不再是清洗,而是分析决策:你选择了一个让结论更稳定的数据边界。 【细微】可复现写法应包含三件事:剔除规则、剔除数量、敏感性检验。例如:按 z>3 剔除 4 个反应时(4%),主效应从 β=0.21, p=.041 变为 β=0.19, p=.058;报告该结果不稳健。 【极难发现】数据清洗规则本质上是“测量误差模型”的一部分:你决定谁/什么属于目标总体,谁属于噪声。若规则由结果驱动,方法段就变成事后辩护。 【流程节点链路】起点:原始数据 → 中间节点:预注册清洗规则 → 异常值定义 → 剔除/保留 → 敏感性分析 → 终点:可复现结论。 【结论】方法段里最贵的一句不是“数据被清洗”,而是“如果换成另一条清洗边界,结论是否还成立”。 你是否同意:没有敏感性分析的数据清洗,应该被视为未报告的研究假设?






0 Comments