这7类常见错误，无数科研人都在犯！BMJ汇总多顶刊的主编和审稿人建议，助力“逢投必过”
Nov. 6, 2024
倾注很长时间和心血完成了一篇研究并投稿，却因统计上的细微差错而被编辑快速拒稿，是否觉得有些遗憾与不公？在学术出版领域，确保数据的准确性和可靠性是至关重要的。一个小小的统计错误都可能会影响到整个研究的可信度和有效性，因此编辑和审稿人通常会对此类错误持非常严格的态度。那怎样才能避免被严苛的编辑们“秒拒稿”呢？近日，来自多个国家的主编们在BMJ出版集团旗下刊物《BMJ Paediatrics Open》发表了题为“Common errors in statistics and methods”的综述，汇总了学术文章投稿过程中的常见问题——通过对这些常见统计错误进行分类和讨论，旨在帮助投稿者提高稿件质量和严谨性。正在或准备投稿的你，快来看看主编们的建议吧，避免投稿中常见的统计学大“坑”，让文章被接收得更顺利！由BMJ子刊《BMJ Paediatrics Open》期刊的编辑和审稿人编撰，总结了在审核论文时的常见错误，共汇总了七大类（详情如下），并为每类错误附上了简要说明，旨在帮助作者避免这些常见错误，提升文章质量，撰写更高质量、更可靠的研究，助力文章顺利投稿。(1)数据可视化时尽量少用饼图。类别少时，用表格或仅用文本；类别多时，可用点图。
(2)配有误差条和平均值的条形图经常存在信息量少、平均值缺乏代表性、误差条干扰解读、未展示实际数据等问题，可以用条带图、箱线图、提琴图等替代。(3)双轴图易混淆且易操纵，更改任一轴范围即改变图表外观，难以估计两系列间差异或比率。可以使用差值图、比率图或分成多个面板展示。(4)直方图受起始值和箱宽影响大，且不便于多图比较。用密度图、Q-Q图或分布矩阵图等效果更佳，可用与正态分布对比。(5)堆叠条形图虽旨在跨类别比较，但难以横向对比不同类别。用并排条形图、折线图等替代更佳。(6)表格和图表用途不同，表格适合呈现特定值，图表适合展示整体趋势和关系。行数多（超八行）的表格建议放附录中。(1)p值与效应量：文中经常使用p值，而忽略了效应量。过度依赖p值可能有误导性。因为p值往往观察到的是极端统计量的概率，从而将其简单分为“积极”和“消极”结果；而效应量（如患者生存时间或疾病风险降低程度）更能反映研究结果的实际意义。(2)效应量与置信区间（CI）：因为统计推断本身具有不确定性，所以通过CI来呈现效应大小可以提高结果的准确性。
(3)近似p值：建议报告确切的p值，避免使用近似值（如“p<0.05”这种形式），除非p值极小如“<0.001”。(4)“不显著”一词使用：所有p值都有其意义，表示了统计显著性的可能性，不应仅根据p值是否大于0.05来判断结果是否“无关紧要”。即使p值不显著，依然应准确报告效应量，让读者理解结果的接近程度。
(5)在描述统计中报告p值：不同研究亚组的p值通常意义不大。随机试验中，p值用于验证随机分组是否有效；而观察性试验中，组间差异和专家意见更重要。
(6)文件抽屉问题：即作者只提交和发表有显著结果的研究，导致过度强调，影响整篇文献。
(1)术语表达：当处理多变量数据时，因变量有多个，称为“多元”回归；独立变量有多个，称为“多重”回归；分层建模/随机效应模型称为多级回归。
(2)“±”符号使用：需明确其代表的实际度量值，如标准误（SE）、标准差（SD）或置信区间（CI），单独使用无意义。
(3)统计方法：若使用新的或不常见的方法时，应详细描述，并引用相关文献。
(4)F统计量：在报告时需附带分子和分母的自由度（df），否则难以解释。
(5)统计软件：应具体说明版本和相关插件（如R V.4.2.1），并区分软件、编辑器和专门用于特定统计方法的附加软件包。
(6)统计功效分析：应提供足够详细的信息以便重复计算，包括假设的效应大小、统计检验、p值、所需功效和样本量。
避免从观察性研究中得出笼统的结论。谨慎使用因果关系的表述，如“因果(cause)”、“效应（effect）”等，只有特定研究设计和研究方法才能证明因果关系。
(1)敏感性分析：避免数据驱动的敏感性分析导致的有效数据的排除，增加统计假阳性错误的风险（如排除“异常值”或“逐一排除分析”）。
(2)变量选择：在回归模型中，应基于专业知识和自动化方法（如LASSO）谨慎选择变量，避免使用逐步回归（包括向前、向后、双变量筛选）等方法，导致参数估计偏离真实值。
(3)线性回归：应考虑其他更先进的统计方法，如自适应回归样条、多元回归树、分位数回归等，以适应不同数据类型和分析需求。
(4)应基于科学数据和专业知识选择合适的分析方法，不应该因为“每个人都这么做”而使用不适合的方法。
(5)连续变量：进行分类时会增加统计错误，并引入不切实际的观念，应避免这种做法。
(1)PRISMA：在系统评价和荟萃分析中，PRISMA是报告指南而非分析指南，不应将其误解为分析依据。
(2)I²：是异质性的相对衡量标准。I²的值不应作为选择固定效应模型或随机效应模型的唯一依据，应基于临床异质性和预期推断来选择模型。
(3)质量评估：是荟萃分析中不可或缺的一环，应根据预定义的标准评估研究的质量，并避免使用自定义评分系统。同时，应评估荟萃分析结果的确定性，考虑研究中的偏倚、异质性等因素，以更好地指导临床实践。
(4)论文应包含足够详细的信息，以便其他研究人员能够重复研究。在撰写荟萃分析时，应严格遵循相关指南，确保研究的科学性和可重复性。
(1)描述统计数据时，应避免使用不恰当的衡量标准或方法，如均值和中位数。应考虑数据特性和需求来选择最合适的集中趋势衡量标准。
(2)准确区分几率与风险、OR与风险比，理解它们在不同情境下的适用性。在报告统计数据时，应确保读者理解这些区别，避免误解和误导。
(3)在大型临床研究（如随机临床试验）中，应公开研究方案，提高研究的透明度和可信度。
(4)当分析数据不同子集变量间关系时，应使用交互作用项分析，而不是简单比较p值，以确保结果的准确性和可靠性。(5)统计数据应注意小数点的使用，避免过度精确。并以适当的文本形式呈现，以提高可读性。参考来源：
Flom P, Harron K, Ballesteros J, et al. BMJ Paediatr Open. 2024 Sep 15;8(1):e002755. doi: 10.1136/bmjpo-2024-002755. PMID: 39284617; PMCID: PMC11409338.
