“共发放问卷 520 份,回收 498 份,剔除无效问卷 30 份,最终有效样本 468 份,有效回收率 90.0%。”这是论文方法部分最常见的写法,也是最容易被答辩老师和审稿人追问的写法。它的问题在于:读者只知道你删了 30 份,却不知道这 30 份是谁、因为什么被删、剩下的 468 份经过了哪些处理,以及换一种处理方式后结论是否仍然成立。一句话把清洗过程压缩成一个数字,等于把可复核的研究步骤变成了不可验证的个人判断。
下面按“原始样本—剔除记录—缺失值处理—异常值判断—最终分析样本”这条线索,说明每一段该写什么、写到什么颗粒度、放正文还是附录,并给出可以直接改写套用的段落模板。
先看三种典型薄弱写法
第一种:只交结果,不交过程。
“剔除无效问卷后,最终获得有效样本 468 份。”
“无效”是结论,不是标准。读者无法判断剔除是否与研究变量有关,也就无法判断样本是否存在选择性偏差。
第二种:标准含糊,无法计数。
“剔除作答不认真、填写不完整的问卷。”
“不认真”没有操作定义,既不能复核,也无法在不同研究者之间保持一致。至少要说明:依据哪一题、哪个阈值、判定为不认真。
第三种:只报告“处理成功”的版本。
“对缺失值采用均值填补,对异常值进行了剔除,数据质量良好。”
没有缺失比例、没有异常值判定依据、没有处理前后的对比。这类写法最容易掩盖一个问题:换一种处理方式,结论可能就不显著了。
三种写法的共同点,是把清洗写成了“已经处理好了”的宣告,而不是“我是怎么处理的、你可以怎么检查”的交代。方法部分的功能是让同行能按你的描述重做一遍,并得到同样的分析样本。
用一条线索把清洗过程串起来
可复核的方法段落,本质上是五个环节的连续交代,每个环节都要有起点数量、判断标准、处理动作和剩余数量:
- 原始样本:发放、招募或下载的初始数量及其构成;
- 剔除记录:逐条列出剔除标准及各自剔除的数量;
- 缺失值处理:缺失比例、缺失模式、处理方法与理由;
- 异常值判断:判定依据、处理方式、处理数量;
- 最终分析样本:进入实际统计模型的样本量及与原始样本的差异。
这条线索最好用一个流程表承载,正文用文字说明“为什么这样定标准”,表格承担“具体删了多少”。文字负责论证,表格负责计数,两者不要混在一起。
剔除标准:先定规则,再逐条计数
剔除标准最容易出问题的地方,是标准与结果的关系。判断一条标准能不能写进论文,可以先问自己:这条标准是在看到主要结果之前就能确定的吗?如果某条标准只有在对结果不利的个案身上才成立,它就不是清洗标准,而是事后挑选。
几条实践原则:
- 标准要有操作定义。 比如“作答时间短于问卷中位数的三分之一”“连续 10 题选择同一选项”“注意力检验题答错”,都可以计数;而“回答质量差”不可以。
- 标准要逐条列出,不要合并。 把重复提交、关键变量缺失、逻辑矛盾合并成“无效问卷 30 份”,读者就无法判断哪类问题占主导。
- 标准要说明来源。 是研究设计阶段预设的,还是数据检查后补充的,必须区分。事后补充的标准要写明理由,并做敏感性分析。
- 保留与剔除的样本要可比。 如果剔除比例较高,应比较剔除样本与保留样本在人口学变量上的分布,说明剔除是否带来了结构性差异。
正文写法可以是这样:
样本筛选遵循研究设计阶段预设的三条标准:一是重复提交,依据同一 IP 地址与同一学号在 24 小时内出现两次及以上记录判定;二是关键变量缺失,即核心自变量或因变量整题未作答;三是逻辑矛盾,即在互斥题项上出现互相冲突的作答。三条标准依次执行,剔除数量分别为 12 份、15 份和 3 份,样本由 520 份降至 490 份。
这段话没有一句废话,但每一个数字都能被追溯。
配套的记录表建议长这样:
| 步骤 | 处理标准 | 判定依据 | 处理数量 | 剩余样本 |
|---|---|---|---|---|
| 1 | 原始样本 | 发放 520 份 | — | 520 |
| 2 | 重复提交 | 同一 IP 与学号 24 小时内重复 | 12 | 508 |
| 3 | 关键变量整题缺失 | 核心自变量或因变量全空 | 15 | 493 |
| 4 | 逻辑矛盾 | 互斥题项冲突作答 | 3 | 490 |
| 5 | 缺失值处理 | 见下节 | — | 490 |
| 6 | 异常值处理 | 见下节 | 6 | 484 |
表格放在正文,个案清单放附录。正文表格的作用是让读者一眼看到样本是怎么一步步变小的。
缺失值处理:先诊断,再决策,最后交代影响
只写“缺失值采用均值填补”是远远不够的,因为这句话没有回答三个关键问题:缺了多少、为什么缺、填补之后结论会不会变。
必须报告的诊断信息:
- 总体缺失比例,以及缺失最严重的几个变量的缺失率;
- 缺失的分布形态:是集中在少数个案,还是分散在多个变量;
- 缺失是否与其他变量相关。这一步决定了后续能不能假设缺失是随机的。
必须交代的处理决策:
- 采用哪种方式:整例删除、成对删除、单一插补(均值、中位数、回归)、多重插补等;
- 为什么选它:样本量、缺失比例、缺失机制假设;
- 处理前后的样本量和变量分布变化。
容易被忽略的一步:敏感性分析。 用另一种合理方式重做主要分析,看结论方向是否一致。如果均值填补和多重插补给出的结论相反,那本身就是需要报告的事实,而不是应该隐藏的麻烦。
正文示例:
全部变量整体缺失比例为 3.2%,其中“工作年限”缺失率最高(7.8%),其余变量均低于 5%。缺失主要集中在少数个案,未发现缺失与主要自变量存在系统性关联。考虑到缺失比例较低且样本量有限,主分析采用整例删除,最终进入分析的样本为 472 份。作为稳健性检验,另采用多重插补重新估计主要模型,核心系数的方向与显著性未发生实质变化(见附录表 A2)。
注意这段话的结构:比例—分布—机制判断—方法—理由—样本量—稳健性。七件事,缺一件就会被追问。
异常值判断:先分清是错误还是真实极端值
异常值处理最常见的错误,是把“看起来离群”直接等同于“应该删除”。异常值至少分三类,处理方式完全不同:
| 类型 | 表现 | 处理方式 |
|---|---|---|
| 录入错误 | 超出量表取值范围、单位错误 | 回溯原始记录更正,无法核实的按缺失处理 |
| 逻辑错误 | 跳答矛盾、年龄与工龄冲突 | 依据问卷逻辑规则判定,更正或作缺失 |
| 真实极端值 | 取值合法但远离主体分布 | 保留为主,辅以缩尾或稳健估计做检验 |
第一类和第二类属于数据错误(清理),第三类属于分布特征(处理)。论文里必须把这两件事分开写,否则读者会误以为你在删掉不合心意的数据。
统计上的判定依据要写明名称和阈值来源,例如“采用箱线图规则,将超出上下四分位数 1.5 倍四分位距的观测记为疑似异常值”“采用标准化残差绝对值大于 3 作为判定标准”。不需要推导公式,但要说清楚用的是哪条规则、阈值从哪来。
处理方式也要说清:更正是最优先的,保留加稳健性检验是次优的,缩尾(把极端值替换为某个分位数)要说明替换到哪个分位,直接剔除要给出数量并说明剔除后结论是否改变。
正文示例:
连续变量经箱线图规则筛查,共识别疑似异常值 9 个,逐一回溯原始记录后确认,其中 3 个为录入错误(取值超出量表上限),已依据原始问卷更正;其余 6 个取值合法,判断为真实极端观测,予以保留。为检验其对结果的影响,对连续变量在 1% 和 99% 分位处进行缩尾处理后重估模型,主要结论保持一致(见附录表 A3)。
正文与附录的分工
不是所有清洗细节都要塞进正文,但凡是影响样本构成和推断的决策,都必须在正文出现。分配原则可以按这张表:
| 内容 | 位置 | 理由 |
|---|---|---|
| 剔除标准及各自数量 | 正文(表格) | 直接决定样本代表性 |
| 缺失比例、缺失机制判断、处理方法 | 正文 | 影响估计的无偏性 |
| 异常值判定规则与处理原则 | 正文 | 影响变量分布与结果稳健性 |
| 最终分析样本量及与原始样本的差异比较 | 正文 | 读者据此判断外推范围 |
| 逐个个案的剔除清单 | 附录 | 篇幅大,供复核用 |
| 各变量缺失率明细表 | 附录 | 支撑正文结论 |
| 敏感性分析的完整结果表 | 附录 | 支撑正文的稳健性陈述 |
| 清洗脚本或操作记录 | 附录或数据附件 | 保证可复现 |
一个实用判断:正文写“原则和影响”,附录写“明细和证据”。正文提到“见附录表 A2”,读者就知道去哪里核对,这比把二十行明细塞进正文更专业。
三套可直接改写的段落模板
模板一:问卷研究
本研究共发放问卷 [520] 份,回收 [498] 份。依据研究设计阶段预设的三条标准依次筛选:重复提交([判定依据])剔除 [12] 份,核心变量整题缺失剔除 [15] 份,互斥题项逻辑矛盾剔除 [3] 份,剩余 [468] 份。全部变量整体缺失比例为 [3.2%],最高单变量缺失率为 [7.8%],缺失未呈现系统性模式,主分析采用 [整例删除],最终分析样本为 [452] 份。连续变量经 [箱线图规则] 识别疑似异常值 [9] 个,其中 [3] 个经回溯确认为录入错误并更正,其余 [6] 个判定为真实极端值予以保留。以 [多重插补] 和 [1%缩尾] 重做主要模型,核心结论未发生实质变化,详见附录表 [A2、A3]。
模板二:实验研究
共招募被试 [120] 名,随机分配至实验组与对照组。依据预设标准剔除 [8] 名被试:未完成全部实验流程 [5] 名,操作检查题未通过 [3] 名。剔除后有效被试 [112] 名(实验组 [56] 名,对照组 [56] 名)。剔除被试与保留被试在性别、年龄与基线测量上无显著差异(见附录表 [A1])。反应时数据中,低于 [200] 毫秒或高于 [3000] 毫秒的试次(占总试次 [1.4%])依据 [既有研究惯例] 判定为无效试次并删除,未删除任何被试层面的数据。
模板三:二手数据
数据来源于 [数据库名称] [年份] 年度调查,原始样本 [12000] 户。依据研究问题,保留 [城镇户籍且户主年龄在 25 至 60 岁之间] 的样本,剩余 [8600] 户。因核心变量缺失剔除 [740] 户,最终分析样本 [7860] 户,占原始样本的 [65.5%]。为检验样本损失的影响,比较了被剔除样本与保留样本在 [收入、教育年限] 上的分布,差异主要体现在 [教育年限](见附录表 [A1]),因此在回归中控制了相关变量。主要连续变量在 [1%] 与 [99%] 分位处缩尾处理,以避免极端值影响估计。
避免只报告“有利结果”的三道自检
自检一:处理方式是否只报了一种? 如果你试过三种缺失值处理方法,只报告了结论最显著的那一种,这就是选择性报告。正确做法是报告主分析采用的方案,并把其他方案作为稳健性检验列出,无论结果是否一致。
自检二:是否报告了处理前的样本特征? 只写处理后样本的描述统计,读者无法判断样本在清洗中发生了怎样的结构变化。至少应说明剔除样本与保留样本在关键变量上的比较结果。
自检三:预设与事后是否区分? 研究方案或预注册中已经写明的标准,可以直接陈述;数据检查后才补充的标准,必须标明“事后补充”,并说明补充理由和可能影响。把事后决定写成事前预设,是方法部分最严重的诚信问题之一。
常见审稿意见与对应改法
| 审稿意见 | 问题所在 | 改法 |
|---|---|---|
| “请说明样本筛选的具体过程” | 只有最终样本量 | 补流程表,逐条列标准与数量 |
| “缺失值处理缺乏依据” | 未报缺失比例与机制判断 | 补缺失诊断,说明方法与理由 |
| “异常值判定标准不明” | 只写“已剔除异常值” | 写明判定规则、阈值来源、处理数量 |
| “无法判断是否存在选择性剔除” | 标准与结果变量相关 | 说明标准设定时点,补敏感性分析 |
| “清洗后样本是否具有代表性” | 未比较剔除与保留样本 | 补组间比较,放附录 |
交稿前的核对清单
- 原始样本量、每一步的处理数量、最终分析样本量能否首尾相接、加总一致;
- 每条剔除标准是否有操作定义,能否被他人按同样规则执行;
- 缺失比例、缺失模式、处理方法、选择理由是否齐全;
- 异常值是否区分了“数据错误”与“真实极端值”,处理方式是否对应;
- 是否至少做了一项敏感性分析,并说明结论是否稳健;
- 正文是否只保留原则与影响,明细是否移入附录并有交叉引用;
- 预设标准与事后补充是否已明确区分。
数据清洗写得好不好,检验标准很简单:一位同专业的研究者读完你的方法部分,能否用另一套数据、按你写的规则,复现出同样结构的分析样本。如果能,这段方法就站得住;如果读者只能看到几个数字,那这段文字还停留在“告知”,没有进入“交代”。


