Discussion写作模板 | SCI作图 | qPCR曲线 | 自噬相关mTOR信号 | ELISA实验
作者：麦子（转载请注：解螺旋·医生科研助手）
做科研为什么要讲究统计？无非是因为人对周遭世界的理解会有主观偏倚。用数据说话，则显得更客观。
然鹅，不管是自己辛辛苦苦做了一堆运算得到的结果，还是别人甩给你一纸统计报告，当你解读统计结果时，那个叫“主观”的小恶魔仍会在你的脑海中阴魂不散，让你得出与事实相悖的结论。
下面七点都是恶魔经常出没之处，可得绕道慎行~
正如同股市每天都有上下波动，票选过程中有时你也会领先我一两个百分点，这些都是小小噪音，代表一些机率而已，过一会可能就会翻转过来，不必大惊小怪。
为了避免一看到波动造成的差异就一惊一乍，你可以看看误差界限（margin of error）。如果差异小于误差界限，就很可能只是随机波动。
常常会听到文献报道说，某疾病的发病率有男女差异。但且不说差异有多大，这是从大量观察样本来说的，不应该形成刻板印象，更不要忽略组内的个体差异。
当一男一女两位真实的患者坐到你面前，你会简单地根据一个流调结果为他们制定不同的防治计划吗？流调说女性患病率低，但万一你面前的这位女性还有其他危险因素呢？另外，对随机抽取的两位同性患者，你会直接给出相同的防治计划吗？
当遇到差异时，一方面要考虑效应量，效应量太小，则现实意义可能不大；另一方面要留意组内的个体差异，具体问题具体解决。
众所周知，当数据呈正态分布时，大部分数据点会落在平均值附近，而极端值只有两边很少的部分。如果两组差异不太大时，那可能大多数数据点是重合的（差异不大），只有极端值是真正有差异的。
这时就看你的讨论目的了。如果你意在讨论大多数人，那么这个差异可能没什么卵用。如果着眼于极端值，那么很小的差异也可能有很大的价值。
你造吗，每年尼古拉斯・凯奇出镜的电影数量，跟美国每年掉到游泳池里淹死的人数的趋势线，有着惊人的一致性，比咱们的雨神萧敬腾还衰。
这真的真的真的是巧合，即使画出了相似的曲线都未必能称得上“相关”。你应该还不至于误读这两个现象，但到了自己探索未知世界时，那可就说不准了。挖的数据多了，你总能找到一两个长得像的模式。
在科研中，只好对一切相关性都保持警惕了。多问几个问题，比如某种相似模式能否在不同样本中都观察到（排除抽样误差）？能否预测未来事件？不能重复、不能预测的，还是放过它吧。
找到了两组相关变量，自然而然你就想找到它们谁是因谁是果。不少时候，因果角色都有迷惑性。比如，观察到了失业和精神疾病的相关性，那么到底是先精神健康有异常了才失业，还是失业了才精神不正常？
电影《半斤八两》
遇到这种情况，也只能反复考虑，不仅要想想它们是否真的有因果关系，还要想想它们颠倒过来会是怎样的情形？会不会其实是互相反馈的循环？甚至可能另外建立假说，做更多的补充调查才能有恰当的结论。
有时候，两者的相关性可能是第三个外部因素在从中作梗，它才是那两个相关变量背后的大Boss。
一直传说喝红酒对心血管有益，到底是真是假，在学界仍然争论不休。若仅仅是在人群中观察到喝红酒的人患心血管疾病概率低，证据显然是不足的。还有可能是消费得起红酒的人经济条件也好，能享受更好的医疗保健服务呢。
所以当你观察到了某种相关性，高度怀疑两个变量有因果关系时，不妨再追问一下，引起那个“因”的变化的，又是什么东西？那个外来者会直接引起你观察对象中那个“果”的变化吗？你有可能要多追问好几层，多调查好几遍。
不仅网红照片能做到P妈不认，调研报告中的统计图也是有手段和伎俩的。主要靠坐标刻度的缩放。
正常的坐标刻度应该覆盖数据的全部范围。但有时候，别有用心的人会截取一小段来放大。如下图，在0-100之间，两组的差异看起来不大；但截取52.5-56.5这一小段，视觉效果却足以哗众。
所以读图的时候，每一个细节都不要放过。
参考资料：
Meet the 7 Deadly Sins of Statistical Misinterpretation - and How to Avoid Them
