统计

大多数科学稿件包括统计分析，研究的结论取决于这些统计分析的结果。如果对数据的分析或报告不正确，文章将误导读者。因此，作为科学家和审稿人，很重要的一点是对统计学要有坚实的理解，仔细检查您审查稿件的统计方法和报告。如果您觉得对于充分评估统计数据尚缺乏资质，您可在审稿意见中告诉编辑，这样他们就知道要找其他人评审那部分内容。

在评审统计分析和结果时需要提出以下一些问题：

样本量是否合适和/或合理？作者是否在研究设计中做了功效分析？
数据是否满足所使用的检验方法的假设？（例如，许多统计检验仅可用于属正态分布的数据，而诸如比例数据或事件计数数据通常不是正态分布，需被转换或最好是用适于该数据类型的的统计模型来分析。）统计检测使用是否恰当？
各个数据点在统计学上是否独立？如果有重复测量（例如，对同一患者做多次测量），是否使用了适当的统计模型？
在分析中是否考虑和纳入了潜在的偏差来源（例如混杂变量）？
提到百分比时，分子和分母是否清楚？例如，“在500个蜂群中，有200个（40％）受到病毒影响，”或者，“百分之四十（200/500）的蜂群受到病毒影响。”
在需要的地方，是不是恰当注明了p值？通常，在正文和图表中所有提到统计比较的地方，都要注明p值，而且应该是实际的p值（例如p=0.049和p=0.0021，而不是p<0.05或p<0.01）。然而，如果p值低于该阈值，则可以接受“p<0.0001”的注明方式。“统计分析”部分还应说明接受统计显著性的阈值，例如“P<0.05的值被认为具有统计学意义”。

在评审一项研究的方法和统计分析部分时，可考虑以下常见问题：

缺少重复或重复不足：为使采样误差最小化，重复必不可少。如一项研究无合适的重复次数，则不能从中做一般性的推断，而且对数据所进行的统计分析功效也太低。低统计功效造成的后果是真实差异或者处理效果不能被检测到。
混杂：混杂的问题是指实验处理造成的差异不能与能导致可见差异的其它因素分开。可以通过细致的实验设计，例如适当的重复、对照和随机化，加以避免。
抽样方法不当：在观察性研究中，需要随机抽样以确保实验样品代表群体。如果未使用随机抽样，应要求作者解释这样做的理由。
缺乏随机化：在实验性研究中，“处理”必须随机分配到实验个体上（反之亦然），以确保被比较的组是类似的，而且那些能干扰对处理效果解释的混杂因素得以最小化。
假性重复：样本大小应反映实验感兴趣的效应在不同时间被独立测试的次数。例如，在同一组受试者上做了重复测量，就像在一段时间内对个体进行重复测量时可能发生的那样，每个个体的数据点不是独立的。在这种情况下，应使用个体的平均值或考虑用对重复测量合适的统计模型（例如混合效应模型）来分析数据。如果统计量未作解释，假性重复通常可通过查看自由度（本质上是产生相互独立的各个信息的次数）得知。