「这个结果不显著，说明两组没有差异。」这句话我在审稿意见里见过，也在合作者初稿里改过。
前阵子有一组数据找我复核。某个干预研究，主要终点两组差值的 p = 0.08，作者在讨论部分写下「两组疗效相当」，摘要里也跟着用了阴性表述。我把原始数据重新过了一遍：每组不到 30 例，效应量的点估计其实偏向干预组，95% 置信区间很宽，既跨过 0，也跨过了一个有临床意义的界值。这个结果不是「没有效果」，而是「证据不够」。
这类误读不是个例。2026 年 8 月发表在 PNAS 的一篇方法学论文指出，仍有大约一半的论文与会议报告在错误解读不显著的 p 值（DOI 10.1073/pnas.2611548123）。
陷阱一：把「不显著」读成「无差异」
先把 p 值的定义摆正：在原假设为真、样本随机抽自总体的前提下，得到至少与观察值一样极端的检验统计量的概率。它衡量的是数据与原假设的相容程度，不是你想要的效应大小。
按这个定义，p 大于 0.05 只意味着一件事：现有证据不足以断定存在差异。同一个「不显著」背后可能是两种完全不同的情形。一种是效应确实小到没有意义；另一种是样本量太小、数据波动太大，把一个真实存在的效应藏了起来。PNAS 那篇论文把这一点说得直白：不显著的 p 值不能替你回答「到底有没有效果」，它只说明你还没攒够证据。
对策：把问题反过来问，改用等价性检验。 不要问「两组有没有差异」，改问「存在的差异是否小到在科学或临床意义上不重要」。具体做法是双单侧检验（two one-sided tests，TOST）。关键前提是：等价界值，也就是「多小算小到不重要」，必须在收数据之前，由研究者依据学科判断定好。论文强调得很清楚，定界值不是统计问题，而是科学判断问题。研究团队还放出了一个免费的在线等价性检验计算器，可以直接算。
陷阱二：只交 p 值，不交效应量
审稿人最先挑的往往是报告口径，而不是结果本身。BMJ Paediatrics Open 在 2024 年刊登过一篇由统计审稿人与编辑调研汇总的错误清单（2024;8(1):e002755，doi:10.1136/bmjpo-2024-002755），里面几条几乎每轮审稿都会遇到：
- 只报 p 值，不报效应量。篇幅有限时，宁可删掉 p 值，也要留下效应量。
- 用近似值代替精确值。写 p < 0.05 而不写 p = 0.032，信息量差很多。
- 用「无显著性（insignificant）」这个词顶替精确报告，等于把不确定说成了确定。
- 在表 1 这类基线表里放 p 值，基本没有意义，那是描述性表格，不是比较。
还有一条容易被忽略的口径问题：比值（odds）不等于风险（risk）。1995 年英国围绕第三代口服避孕药的报道就是一个典型例子，研究给出的比值比约为 1.7，被媒体读成「风险翻倍」。实际上绝对风险只是从约万分之一升到约万分之二。报道之后不少女性自行停药，意外妊娠与流产率随之上升。一个统计量的误读，就这样落到了真实的健康后果上。
对策：每个主要比较都给出效应量与 95% 置信区间，p 值报精确到小数位。 比值类结局同时给比值指标和差值指标，别让读者自己去换算。
陷阱三：拿两组 p 值比出一个「交互效应」
这是最隐蔽的一类。A 组 p < 0.05，B 组 p > 0.05，于是结论写成「A 组有效，B 组无效，两者存在差异」。
这个推理在统计上不成立。一组显著、一组不显著，本身不构成统计学显著的交互效应。要检验两组的效应是否真的不同，必须在同一个模型里加入交互项，报告交互项的 p 值与效应量，而不是各自跑一遍再比 p 值。BMJ Paediatrics Open 那篇清单把它单列成一条，就是因为它在亚组分析里出现得太频繁。
对策：凡是谈「某亚组更有效」，先问模型里有没有那个交互项。 没有交互项，就只写组内结果，不写组间差异。
陷阱四：把正态性检验当标准答案
一位长期为心脏与成瘾类期刊审稿的生物统计学家 Dan Green，从 2021 年起累计审稿 200 余篇，在 2026 年的复盘里整理了十类高频统计错误，其中一条很典型：把正态性假设检验（Kolmogorov-Smirnov 或 Shapiro-Wilk）当成判断分布的标准答案。
问题出在样本量。这类检验高度依赖 n：样本小的时候，数据即使明显偏斜也容易被「检验出」正态；样本大的时候，对极其微小的偏离又会过度敏感。同一份分布，换个样本量，结论就可能反过来。分布该看的不是检验的 p 值，而是直方图或 Q-Q 图。
Dan Green 的清单里还有几条方法学硬伤同样常见：方法部分混进了结果、统计分析方法描述不完整、流程图缺失或颗粒度不够（应参照 CONSORT）、方法里不给软件版本号（写 R 4.2.1，而不是只写 R）、用「±」却不说明后面跟的是标准差、标准误还是置信区间。
对策：分布靠图判断，方法部分逐条对齐报告规范。 软件写清版本号，扩展包给出引用，符号写清含义，这些都不是锦上添花，是审稿人一眼就能查出的缺项。
工具协同：让 DeepBio 把方法学判断落成可复核文档
上面这些对策说起来都懂，做起来分散在好几处：设计方案时要定界值，读文献时要提效应量，写作时又要对齐格式。我现在的做法是把它们串进 DeepBio 的工作流：上传资料、结构化分析、复核迭代。
第一步用「实验与研究设计」，把实验目标、样本需求、关键变量和预期的效应量、等价界值一起梳理清楚。这一步的价值在于把判断前置：界值必须在收数据之前写定，工具帮你把这些要素列成一份可执行的研究计划，避免结果出来之后再倒推标准。
第二步用「文献与证据整理」，把同类研究整理成一张带等级标注的证据表，每条记录分开列出发现、证据等级与风险提示。判断自己的效应量预期是否合理，靠的就是这张表，而不是印象里的「别人也做过」。
对策：把结果报告写成审稿人挑不出硬伤的版本
结果算完之后，还有一道纯格式的关。这一步用「综述与论文写作」来收口：把统计分析计划与结果报告段落按目标期刊规范成型，引文与参考文献也照期刊要求排好。若是学位论文，还可以套用目标院校的格式规范自动成稿，格式那一环不用再手工返工。
它能挡掉的正是前面几类硬伤：方法部分不会混进结果，符号含义与软件版本号有固定位置可填，精确 p 值与效应量的位置不会漏。但要记住，它给的是初稿。
需要说明边界：DeepBio 用于医学研究辅助，不替代专业判断，输出可能存在错误，关键数据与引用必须回到原文或原始资料复核，不构成诊断或治疗建议。
自查清单：投出去之前先问一遍
- 不显著的结果，我写的是「无差异」，还是「证据不足」？
- 等价界值是收数据之前定的，还是事后补的？
- 主要比较有没有效应量与置信区间，p 值够不够精确？
- 谈亚组差异时，模型里有没有交互项？
- 分布判断是看图，还是看检验的 p 值？
- 软件版本号、「±」的含义、流程图都齐了吗？
这六条走完，再收到「请补充效应量与置信区间」的审稿意见，你能直接回。
你最近一次收到的统计类审稿意见，落在上面哪一条上？评论区说说你的经历。
标签：SCI #期刊投稿 #论文写作 #生物医药 #文献综述 #循证医学 #科研方法 #统计分析 #DeepBio
