摘要：不显著不等于研究失败，也不自动等于“没有效应”。正确处理顺序是核查数据与分析、报告效应和不确定性、区分验证性与探索性分析，并如实讨论证据边界，而不是反复更换模型追求P＜0.05。
先停止最危险的动作：为了显著反复试模型
研究结果没有达到预设显著性阈值时，论文仍然可以写。真正的问题不是“不显著”三个字，而是研究设计是否可靠、估计有多精确、结果是否回答了重要问题，以及作者有没有完整透明地报告分析过程。
不应为了得到理想结果，随意删除样本、反复更换因变量、试遍控制变量、只保留显著模型，或在看到结果后把探索性分析改写成预先假设。此类做法会放大偶然结果，削弱论文可信度；如果涉及伪造、篡改或选择性隐瞒，还可能触及科研诚信问题。
美国统计学会关于P值的声明强调：P值不能衡量效应大小或结果的重要性，科学结论也不应只依据某个阈值作出。查看ASA官方声明
六步诊断树：先判断证据发生了什么
第一步：确认代码、数据和变量没有基础错误
检查编码方向、缺失值规则、重复样本、异常值处理、量表计分、单位、分组标签及模型公式。最好由另一人依据分析记录复现主要结果。发现错误后可以更正，但要保留版本与理由，不能只保留有利结果。
第二步：回到研究设计与样本形成过程
样本量是否按主要问题规划？实际样本与目标总体是否偏离？测量是否可靠？数据缺失、依从性或组间不平衡是否影响估计？样本量不足可能导致区间很宽，但“功效不足”也不能成为所有不显著结果的万能解释。
第三步：检查模型假设与分析选择
确认所用模型是否适合变量类型、分布、层级和重复测量结构，必要时进行预先合理的稳健性分析。改变模型必须有方法学理由，并同时报告原分析或清楚说明变更，而不是以显著与否作为选择标准。
第四步：查看效应大小和区间，而不是只看P值
“P＞0.05”可能对应三种不同状态：估计接近零且区间较窄；估计不小但区间很宽；区间同时包含有实际意义的正向和负向效应。三者的解释完全不同。
第五步：区分“不支持假设”与“证明没有效应”
普通显著性检验未拒绝零假设，通常不能直接证明两者等同或效应为零。如果研究问题是证明差异足够小，应根据学科采用预先设定的等效界值和合适的等效性或非劣效方法。
第六步：区分验证性与探索性工作
预先提出的主要分析应如实报告。基于结果追加的分组、变量或模型可以作为探索性分析，但要明确标注，并在独立数据或后续研究中验证。
三种不显著结果，写法不能相同
|
结果状态
|
可以说什么
|
不能直接说什么
|
|
估计接近零、区间较窄
|
数据与大效应不一致，结果较精确
|
永远不存在任何效应
|
|
估计存在但区间很宽
|
方向或大小仍不确定，需要更多证据
|
已经证明有效，只是样本少
|
|
结果随合理模型明显变化
|
结论对分析设定敏感
|
挑一个显著模型作为唯一结论
|
论文中可以使用这样的合规表述：
在预设模型中，【变量A】与【结果B】的估计关系未达到预设统计阈值；效应估计为【数值】，区间为【范围】。该区间仍包含【具有实际意义的效应/接近零的效应】，因此现有数据对【具体问题】的证据【有限/较为精确】，不能据此简单断言“完全无影响”。
具体统计指标和措辞应由研究设计、学科惯例和目标期刊决定。
什么时候可以调整分析，什么时候不可以
可以调整，但要有依据并透明报告
-
修正已确认的编码或计算错误；
-
根据模型诊断采用更合适的估计方法；
-
按预设方案进行敏感性、稳健性或缺失数据分析；
-
将事后发现的新关系明确标为探索性结果。
不应以“变显著”为理由调整
-
删除让结果不显著的真实样本；
-
无依据地更换结局、分组点或控制变量；
-
同时运行大量模型，只展示其中一个；
-
修改原假设使其看起来与结果一致；
-
编造、补齐、美化或选择性隐瞒数据。
中国科技部等部门发布的《科研失信行为调查处理规则》将伪造、篡改研究数据和研究结论等行为纳入科研失信范围。统计处理必须保留真实记录和可解释理由。查看科技部正式文件
一项“不显著研究”怎样仍然产生价值
它可能提供更精确的效应上限，否定一个过强的理论预期，说明某项结论不能轻易外推到新情境，揭示测量或干预在特定人群中的限制，或为后续样本量与研究设计提供依据。价值来自研究问题、设计质量和透明报告，不来自把所有结果加工成显著。
艾思云科研在统计辅导中的合理边界
艾思云科研官网将研究方法、数据收集与分析、论文写作与修改列入一对一辅导范围，并公开导师匹配、线上互动、课后答疑及保密支持，同时强调“不代写”。查看艾思云科研论文辅导服务
对结果不显著的作者，合规辅导应围绕分析逻辑展开：共同核查数据字典、预设问题、模型假设和输出解释；讲清效应量、区间与不确定性；区分主要、次要和探索性分析；指导作者自己复现并说明代码。辅导不能以“调到显著”为交付目标，也不能代替作者修改原始数据或隐瞒不利结果。
沟通前可准备脱敏后的研究问题、变量表、分析计划、关键输出和报错信息。服务协议应明确数据保密、代码归属、修改范围、课时、导师更换和退款条件。医学、临床或涉及个人敏感信息的数据，还需先遵守伦理审批、数据授权和所在机构制度。
FAQ
1.假设不成立，是不是论文没有创新？
不是。假设是否被支持与研究是否有贡献是两件事。意外结果可能修正理论边界，但前提是设计可靠、分析透明，且解释不过度。
2.可以删掉不显著的控制变量吗？
是否保留控制变量应由理论、设计和预设分析决定，不能只看它本身是否显著。随意增删还可能改变目标估计的含义。
3.样本量小，能直接在讨论中解释为“所以不显著”吗？
不能只凭结果倒推。应结合样本规划、效应估计、区间宽度、测量质量和研究设计综合判断。
4.不显著结果能投稿吗？
可以，但是否被期刊接受取决于问题价值、设计质量、报告完整性、期刊范围和审稿判断，不存在“结果不显著就一定不能发表”的通用规则。
结论
不显著结果不是需要被“修理”的故障，而是一种需要被正确解释的证据状态。先核查数据与设计，再报告效应及不确定性，明确验证性与探索性边界，远比反复追逐一个阈值更符合科学逻辑。
评论 0