剔除需要说明标准
别名: 剔除标准 · 排除规则
概念解释
从数据中剔除任何点都是一个影响结论的决定，这个决定的正当性不取决于剔除本身，而取决于剔除的标准是否事先声明、是否与结论无关、以及是否对所有数据一致执行。"我们删掉了几个异常值"没有说明任何事情——删了多少、按什么规则删的、删之前结论是什么——读者无法评估剔除是否合理，也无法排除"剔除恰好让结论变得漂亮"的可能。剔除标准的透明度是数据分析可信度的基础构件。
机制
未声明标准的剔除不可信的机制在于研究者自由度（researcher degrees of freedom）的滥用空间：同一份数据在不同剔除标准下可以得出不同甚至相反的结论，如果剔除标准是在看过结论之后选择的（"删掉这几个点后 p 值刚好过了"），剔除就从数据清洗变成了结论制造。这种操作往往不是故意造假——人有事后的合理化能力，"那个点看起来就不对"的直觉判断常常在看过数据后产生，而直觉本身已被结论污染。声明标准的机制作用是把选择从"看结果后的裁量"提前为"看结果前的承诺"：预先注册的剔除规则（"删除点击时长低于 1 秒的记录"）无法针对特定结论调整，剔除非但不可疑反而增强了可信度；事后声明的规则也可评估其合理性（规则是否独立于结论变量、是否对全部数据一致执行）。透明度把评估的钥匙交给了读者而不是留在作者手里。
怎么研究
研究剔除标准影响的方法包括多分析师研究（many-analysts，如 Silberzahn 等人组织的跨团队重复分析）：同一数据集与同一研究问题交给多个独立团队分析，记录各自选择的剔除标准与结论，量化标准选择对结论分布的影响——这类研究里，分析选择（含剔除标准）的差异足以让不同团队得出方向或显著性都不一致的结论。在设计层面，可以测试剔除信息的透明度（标注剔除数量与规则 vs 不标注）对读者信任度与核查意愿的影响。方法论的注意点：剔除标准的"合理性"与"透明度"是独立维度——一个合理但未声明的标准仍然不可评估，一个透明但不合理的标准（"删除最小的三个值"）则会被识别为问题，两者都需要报告。
边界
标准声明的要求随结论的影响范围升级：内部探索图表可以只标注"已剔除 N 个离群点"，对外发布的结论（论文、监管报告）需要完整的标准定义、剔除数量、剔除前后结论对比。标准的"事先"程度也有梯度——理想是预注册（分析前锁定），次优是标准独立于结论变量（用与结果无关的采集质量规则），再次是事后声明但附敏感性分析。某些领域的标准本身有争议（心理学中剔除反应时低于 200ms 的试次是惯例但边界值选择影响结果），此时声明惯例的出处与敏感性检验比声明惯例本身更重要。最后，不剔除也是决定——保留异常值的分析同样需要说明为什么保留（不确定来源且结论对离群点稳健），透明度要求是双向的。
怎么落地
- 所有剔除规则写入分析文档：规则的精确定义、剔除数量、占比、对结论的影响（剔除前后核心指标对照）。
- 图表上直接标注剔除信息（脚注或悬浮："已剔除 37 条采集失败记录，占比 1.2%，剔除前后结论一致"）。
- 剔除规则优先采用与结论无关的质量性定义（采集失败、时长异常）而非结果性定义（"偏离均值 3 个标准差"在分析前定义可接受，分析后按结论挑选则不可接受）。
- 验证：抽一份带剔除的分析报告，检查能否仅凭报告复现剔除过程（哪些点被删、为什么）；不能复现即声明不足。