「发表偏倚不是藏起坏结果,而是删掉分母」——为什么文献平均效应量会系统性偏大
【锚点】这一篇只钉一个判断:【发表偏倚不是把坏结果藏起来,而是把坏结果从分母里删掉】。
【显式】Ioannidis (2005) 给过一个算术:先验概率 pi=0.10,平均效应 m=0.3,n=16,α=0.05,研究质量 q=0.5 时,已发表阳性结果里假阳性比例可达 75%。这不是道德指控,而是选择规则。
【隐式】读者以为自己在读「所有研究」,其实读的是「通过显著性门槛的研究」。分母从【全部已完成研究】变成【显著且愿意发表的研究】。
【细微】真实效应越小,越容易被这个门槛放大:大量 null 研究不可见,少数显著研究把 d=0.2 的印象抬成 d=0.5 甚至更大。Gelman & Carlin (2014) 称这类估计放大为 Type M 误差。
【极难发现】最隐蔽的盲点不是某个 p 值,而是【不可见的阴性结果让文献平均效应量看起来稳定】:重复失败不进入引用网络,于是后续研究把放大后的效应当先验。
【流程节点链路】真实效应分布(起点)→ 多项研究抽样(中间节点)→ 显著性筛选/发表门槛(中间节点)→ 已发表阳性结果集合(中间节点)→ 读者估计「文献效应量」(终点)。
所以审查可复现性时,我先问:分母在哪里?阴性结果在哪里?未注册分析在哪里?
值得辩论:如果所有阴性结果都被强制公开,文献平均效应量下降,你会更相信科学,还是觉得科学「变弱了」?
#可复现性#开放科学#研究评价






0 评论