如何在提交論文前檢查您的資料（2026 指南）
在提交論文之前，請對數據進行四項檢查。內文中的每個樣本數都應與表格一致，且百分比的加總應正確無誤。小數點位數應保持一致，缺失的資料也應予以說明和解釋。這些是審稿人最先發現的錯誤，因為它們最容易被看出來。
審稿人的時間有限，且通常會抱持一種合理的直覺：如果表格中的算術邏輯不通，那麼背後的分析大概也沒經過仔細檢查。這種推論在個別情況下可能不公平，但其準確機率之高，足以影響審查結果。
本指南將探討為什麼數據錯誤會成為審稿人意見的主流，以及在提交論文前有哪些檢查值得進行。最後，我們將介紹如何不用手動逐一閱讀表格就能完成這些檢查。
為什麼審稿人抓的是數據，而不是理論
樣本數（N）永遠對不上
一項研究一開始有 120 名參與者。其中 8 人因回答不完整而被排除，另外 3 人未通過注意力篩檢，還有一個實驗組因技術故障流失了 2 人。方法章節寫著 120 人，分析時使用的是 107 人，而某個表格卻仍顯示 109 人，因為該表格是在最後一次排除之前製作的。
在這裡沒有人犯錯。人數只是變動了四次，而手稿記錄了這個過程中的不同時間點。然而，當審稿人將方法章節與表格進行對比時，就會看到一個毫無解釋的矛盾。
四捨五入產生的偏差
統計輸出的結果會有很多位小數。不同的數字在不同的時間被複製，有些被四捨五入到小數點後兩位，有些則是三位。由四捨五入後的小計計算出的百分比，加總起來是 99.8 而不是 100。
單看這些都是微不足道的小事。但加在一起，就會讓人覺得粗心大意，而這恰恰是細心的讀者在瀏覽表格時最容易注意到的地方。
圖表與內文不符
圖表很早就被匯出，隨後分析進行了修正，內文也隨之更新，但圖表卻保留了舊的數據。這種情況非常常見，以至於經驗豐富的審稿人通常會習慣性地對照圖表與內文。
這三種失誤都有共同的原因。分析本身沒有出錯，手稿只是記錄了持續變動過程中的幾個不同時間點。抓出這些問題屬於文件記錄的問題，而非統計問題。
這會讓你付出什麼代價
一次本可避免的修改輪次。數據不一致本身很少直接導致拒稿，但它們會引發一輪重大修改，從而增加數個月的時間。
審稿人的注意力被分散到錯誤的地方。每一條關於樣本數（N）不匹配的意見，都意味著審稿人少花了一份心思在您的論點上。每次審查中，您能獲得的關注度是有限的。
發表後的勘誤。最糟糕的情況是，在提交論文到發表的全過程中，都沒有人發現問題。發表後的勘誤是永久且公開的，而且這些污點會跟著您的名字，而不是漏掉這些問題的審稿人。
值得進行的檢查
選項 1：核對每一個樣本數
列出出現在任何地方的每個 N 和 n：方法、每個表格、每個圖表說明、摘要。將每一個數字追溯到特定的篩選步驟。任何您無法追溯的數字，要麼是錯誤，要麼是未記錄的排除對象。
接著檢查排除的數量是否相符：起始樣本減去每個已記錄的排除項，應等於分析樣本。將這個連鎖關係寫入方法章節。審稿人很少對有解釋的排除提出異議，但他們總是會對沒有解釋的排除提出質疑。
選項 2：檢查每個表格中的算術
某一類別內的百分比加總應為 100，允許有記錄在案的四捨五入說明。子群組的人數加總應等於總群組人數。各子群組的平均值（依其樣本大小加權）應與整體平均值一致。
這是件枯燥的工作，也是最容易出錯的地方。這同時也是審稿人最有可能親自進行的檢查，因此跳過這項檢查是一場勝率極低的賭博。
選項 3：審計缺失資料與離群值
說明缺失資料的數量、是否為隨機缺失，以及您是如何處理的。逐案刪除、插補和成對分析會產生不同的樣本數，這也是樣本數（N）不匹配問題的常見根源。
對於排除的極端值也進行同樣的操作。說明刪除了多少個以及依據什麼規則。考慮同時報告包含和不包含這些極端值的關鍵結果——請參閱我們的無程式碼尋找離群值指南。在這種對比下依然成立的結果會更具說服力，而如果不成立，您一定會希望在審稿人發現之前自己先找出來。
這三者面臨的共同瓶頸
每項檢查都是機械式的，而且每項都需要您在腦海中同時裝下整篇手稿。您需要將方法章節中的數字與表 3 中的數字，以及圖表說明中的數字進行對比。這份文件您已經讀過太多次，以至於您對其中的錯誤已經視而不見了。
這才是真正的難點。並非檢查本身有多困難，而是自我檢查自己寫的文件本質上就是不可靠的，這不是光靠細心就能解決的問題。
如何使用 Powerdrill Bloom 進行這些檢查
步驟 1：上傳您的資料
上傳分析資料集。Powerdrill Bloom 會在資料匯入時對每一欄進行分析，因此缺失值數量和群組大小會直接以事實呈現，而不需要您費心去記。
步驟 2：用自然語言描述檢查項目
直接要求進行核對。例如：在應用這些排除條件後，每個群組有多少個完整案例？類別百分比加總是否為 100？哪些欄位含有缺失值？接著，提出最關鍵的對比——在包含和排除這些案例的情況下，關鍵結果會如何變化。
步驟 3：匯出圖表、報告或簡報
匯出人數和缺失值的摘要表，以便與您的手稿進行對照。同一個請求中也可以產出用於方法章節的排除連鎖關係書面記錄。
為什麼這比手動通讀更好
| 手動檢查 | Powerdrill Bloom | |
|---|---|---|
| 跨章節核對樣本數（N） | 手動閱讀並對照 | 傳回每個篩選步驟的人數 |
| 缺失值審計 | 逐欄檢查 | 上傳時自動分析 |
| 包含與排除後的結果 | 重新執行兩次分析 | 直接要求兩者 |
| 修改之後 | 重複整個檢查流程 | 對新檔案重新提問 |
最後一列決定了檢查是否真的會執行。需要花費一個下午的審計工作，通常只會在第一次提交前執行一次，而在重新提交前則會被跳過。然而，那恰恰是數據剛剛發生變動的時候。
提交前的檢查清單
將每個 N 追溯到篩選步驟。如果您說不出是哪條規則產生了某個數字，就不要發表它。
重新計算表格總和。百分比應為 100，子群組應等於群組總數，除非表格本身註明了四捨五入說明，否則不應有例外。
在最終分析後重新生成圖表。切勿重複使用在最後一次修改前匯出的圖表。我們的如何為研究論文製作圖表指南涵蓋了格式要求。
明確說明缺失資料的處理方式。在方法章節中寫明處理方法及最終得到的樣本數。
對照摘要與結果。摘要通常很早就寫好，卻最晚更新，因此它們往往包含手稿中最陳舊的數據。摘要也是大多數讀者最先看到的部分，這使得那裡的錯誤顯得格外刺眼。
請其他人閱讀表格。一位沒看過這些資料的同事，能在十分鐘內找出您漏掉數週的問題。請他們檢查算術邏輯而非論點，因為這是您無法對自己的手稿進行的檢查。
結論
那些能避免反覆修改的檢查往往枯燥乏味：核對樣本數、驗證算術、說明缺失資料，以及最後重新生成圖表。這些都不需要高深的統計學知識，但在截止日期臨近時，它們都很容易被忽略。
它們之所以被跳過，是因為重複執行的成本很高，而且每次分析發生變動時都需要重新執行。試用 Powerdrill Bloom 來處理您的資料集。另請參閱我們的 AI 資料清理頁面以及清理與去重資料指南。
常見問題
審稿人最先檢查論文的什麼地方？
數據的內部一致性。包括方法、表格和摘要中的樣本數是否一致，百分比加總是否正確，以及圖表是否與內文相符。這些檢查非常快速，且能反映出其餘部分的準備有多用心。
提交論文前我應該檢查什麼？
說明起始樣本、每項排除的規則與數量，以及最終的分析樣本，使整個連鎖關係在算術上相符。有解釋的排除很少受到質疑，但未經解釋的樣本數變化則總是會被追問。
我應該報告包含和不包含離群值的結果嗎？
當結論取決於少數極端值時，是的。報告這兩種版本比悄悄排除它們更具說服力，也能防止審稿人幫您發現這種敏感性。
為什麼我的百分比加總不等於 100？
通常是因為對每個組成部分進行了獨立的四捨五入。您可以加上說明註記「由於四捨五入，百分比加總可能不等於 100」，或者重新計算使其相符。這兩種做法都可以接受，但保持沉默是不行的。
缺失多少資料才算太多？
這沒有統一的門檻，而且缺失的模式比數量更重要。隨機缺失的資料比系統性缺失的資料更容易被接受。說明缺失的數量、模式和您的處理方法，讓審稿人自行判斷。