【数据分析与图表】如何避免 p-hacking 和 HARKing
"p<0.05"焦虑几乎每个科研人都经历过。但为了"显著"而反复试分析、删数据、加样本——这叫 p-hacking（p值操纵）；先看结果再反推编一个"早有预谋"的假设——这叫 HARKing（Hypothesizing After the Results are Known，结果已知后假设）。两者都是审稿人最警惕的数据诚信红线。
✅ 正确做法：
1. 先写分析计划再碰数据：主分析、排除标准、样本量在动手前定好（可用预注册/分析备忘录留痕）
2. 主分析与探索分析分开写：探索性发现明说"探索性结果，需独立验证"，绝不包装成验证性结论
3. 多重比较要校正：多组对比用 Bonferroni/FDR 等校正；报告效应量与95%置信区间，而非只报p值
4. 阴性结果照实报告：不显著≠没价值，如实呈现并讨论原因，反而增加可信度
⚠️ 避坑点：
- 不要"加样本加到显著为止"（optional stopping），样本量要事前估算（见029期小tips）
- 不要只挑显著的结果讲，非显著结果被审稿人要求补数据时会更被动
- 不要事后把"试出来的显著关系"写成"基于理论的先验假设"——一旦被要求预注册或提供分析日志即穿帮
💡 一句话总结：
让假设走在数据前面、让方法写在实际分析之前，p值只是证据链上的一环，而不是结论本身。
【数据分析与图表】如何避免 p-hacking 和 HARKing
"p<0.05"焦虑几乎每个科研人都经历过。但为了"显著"而反复试分析、删数据、加样本——这叫 p-hacking（p值操纵）；先看结果再反推编一个"早有预谋"的假设——这叫 HARKing（Hypothesizing After the Results are Known，结果已知后假设）。两者都是审稿人最警惕的数据诚信红线。
✅ 正确做法：
1. 先写分析计划再碰数据：主分析、排除标准、样本量在动手前定好（可用预注册/分析备忘录留痕）
2. 主分析与探索分析分开写：探索性发现明说"探索性结果，需独立验证"，绝不包装成验证性结论
3. 多重比较要校正：多组对比用 Bonferroni/FDR 等校正；报告效应量与95%置信区间，而非只报p值
4. 阴性结果照实报告：不显著≠没价值，如实呈现并讨论原因，反而增加可信度
⚠️ 避坑点：
- 不要"加样本加到显著为止"（optional stopping），样本量要事前估算（见029期小tips）
- 不要只挑显著的结果讲，非显著结果被审稿人要求补数据时会更被动
- 不要事后把"试出来的显著关系"写成"基于理论的先验假设"——一旦被要求预注册或提供分析日志即穿帮
💡 一句话总结：
让假设走在数据前面、让方法写在实际分析之前，p值只是证据链上的一环，而不是结论本身。