{
  "id": "preregistration",
  "title": "预注册",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "预注册是在查看相关数据或结果之前，以带时间戳的记录保存研究问题、方法和分析计划的做法。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "研究预注册"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/preregistration/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/preregistration/",
      "json": "https://aiwiki.page/en/preregistration.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "预注册是指在收集数据之前，或在某些情况下，在获取或分析与计划检验有关的数据之前，将研究计划记录下来，并以带时间戳的形式保存。记录通常会明确研究问题、假设、研究设计、结局指标和分析程序。其核心目的是区分哪些决策独立于研究结果作出，哪些决策受到了结果的影响。预注册应用于统计学和实证研究，有助于透明地解读证据，但其本身并不能证明一项研究设计合理或结论正确。"
    },
    {
      "heading": "目的与统计学依据",
      "text": "研究通常涉及诸多选择，包括测量方式、排除标准、数据变换、统计模型，以及报告哪些结果。当这些选择取决于已观察到的结果时，最终分析所呈现的确定性可能超出其统计依据所能支持的程度。这种情况未必源于蓄意的不端行为：研究者可能出于合理考虑探索了多种方法，却在报告所选分析时，仿佛它是唯一考虑过的方案。\n\n预注册使预定的分析方案能够接受独立审查。它有助于区分验证性研究与探索性研究：前者按照预定程序检验明确的预测，后者利用观察结果提出问题、假设或模型。两者都是正当的研究方式，但对证据的解读有所不同。\n\n其中一个值得关注的问题是多重检验。假设研究者对真实成立的原假设进行了 \\(m\\) 次相互独立的检验，每次检验的显著性水平均为 \\(\\alpha\\)。至少发生一次错误拒绝的概率为\n\n\\[1-(1-\\alpha)^m.\\]\n\n当 \\(m=20\\)、\\(\\alpha=0.05\\) 时，这一概率约为 \\(0.64\\)。这一计算以检验相互独立为前提，无法涵盖分析灵活性的所有形式，但它说明了为什么从众多机会中挑选有利结果可能产生误导。\n\n足够详细的预注册可以明确预定的检验族，区分主要结局与次要结局，并规定调整方法。但预注册本身并不执行这些调整。同样，仅仅记录计划，也不能保证所报告的P值确实具有其声称的含义；这还取决于研究设计、假设、分析方法，以及是否遵守相关决策规则。\n\n当研究者将由结果启发的假设当作事先提出的预测时，预注册也有助于识别这种结果后假设。它保留了解释已观察到的模式与独立预测该模式之间的区别。"
    },
    {
      "heading": "预注册的内容",
      "text": "预注册所需的详细程度因学科和研究设计而异。一份内容充实的预注册通常包括：\n\n- **研究问题与假设：**拟研究的关系或效应，并在适用时说明方向性预测。\n- **研究设计：**研究人群、招募程序、实验条件、测量方式，以及任何随机化或设盲程序。\n- **样本量与停止规则：**计划的样本量、确定该样本量的依据，以及结束招募或数据收集的条件。\n- **结局与变量：**主要和次要结局、测量时间、评分程序，以及任何复合指标。\n- **数据处理规则：**纳入标准、观测值的排除规则、离群值的处理、数据变换，以及缺失数据的处理方式。\n- **统计分析：**模型设定、对比、协变量、交互作用、推断阈值，以及多重性处理程序。\n- **应变计划：**针对预期问题的处理程序，例如模型不收敛、假设不满足，或观测数据出乎意料地稀疏。\n\n样本量的确定依据可以是统计功效、置信区间的目标精度、资源限制，或其他明确说明的标准。采用贝叶斯推断的计划可以规定似然、先验分布、模型比较方式和决策标准。\n\n操作层面的精确性十分重要。“将通过回归检验假设”这样的表述，并未明确结局的定义、预测变量、数据变换、交互作用和模型类别。更完整的计划会明确预定分析，并说明何时采用替代方案。在模拟数据或其他独立数据上测试过的分析代码，可以减少歧义。"
    },
    {
      "heading": "时间安排、保存与可获取性",
      "text": "预注册的关键特征，是在计划制定与接触相关证据之间划出一条可识别的界线。在收集数据之前进行预注册，通常能提供清晰的界线，但预注册也适用于已有数据集。\n\n对于使用二手数据的研究，研究者可以在收到数据之前、访问受限变量之前，或考察所关注的关系之前注册计划。研究者此前对数据集的熟悉程度很重要：在大量探索之后写成的计划，不会仅仅因为最终统计检验尚未运行，就获得独立预测所具有的证据地位。\n\n因此，预注册记录通常会说明：\n\n- 数据是否已经存在；\n- 研究者此前获取或查看过哪些内容；\n- 计划的注册时间；\n- 哪些研究决策仍独立于相关结果作出。\n\n注册平台或存储库通常会保存一个注明日期、无法在不留痕迹的情况下被覆盖的版本。有些记录会立即公开，另一些则暂时处于保密期。公开可获取性便于外界审查，而时间戳用于确立时间先后。这两种功能相互关联，但并不相同。\n\n一份私有且可编辑的文档可以用于项目规划，但若要独立证明某一时间点已明确了哪些内容，其证明力较弱。"
    },
    {
      "heading": "偏离、修订与探索性分析",
      "text": "预注册并不禁止变更。设备故障、招募困难、意料之外的数据结构，或原计划中的错误，都可能构成修订的合理理由。重要的区别在于，是透明地修订计划，还是不加披露地替换原计划。\n\n修订应保留先前记录，说明改动内容，并解释变更的时间与原因。在查看相关结果之前作出的修订，与在意外模式显现之后作出的修订，并不相同。\n\n研究报告可以区分：\n\n- 按预注册方案开展的分析；\n- 经修改或被省略的预注册分析，并附上说明；\n- 额外开展的探索性分析。\n\n同时报告预定分析和有合理依据的替代分析，有助于澄清结论是否依赖于分析选择。敏感性分析可以考察这种依赖关系，而不必将每一次偏离计划都视为本质上无效。\n\n探索仍然具有价值。新发现的模式可能启发一个假设，但在同一批观测数据上检验该假设，通常无法像使用独立数据检验那样，将假设形成与检验所用的证据分开。一项新研究或一个真正从未接触过的留出数据集，可以用于后续检验。这种分离与机器学习中训练数据和评估数据的分离有关，但两者并不完全相同。"
    },
    {
      "heading": "相关研究实践",
      "text": "试验注册与分析计划\n\n前瞻性注册在临床研究中尤其受到重视。注册平台记录研究，使他人能够查到这些研究及其预定结局。这有助于识别已经完成但尚未发表结果的研究，也能揭示注册结局与报告结局之间的差异。\n\n随机对照试验的注册可以包括研究设计、纳入标准、干预措施和结局，而不必明确每一项统计决策。详细的统计分析计划发挥着补充作用。研究注册、研究方案发表和分析预注册有所重叠，但不能相互替代。\n\n注册报告\n\n注册报告是一种发表形式，期刊在主要结果尚未知晓之前，就对研究问题和方法进行评审。经过初步评审后，期刊可以给予原则性接收承诺，接收条件是研究得到妥善实施、报告透明等要求，而不是取得某种特定结果。\n\n这不同于普通预注册，后者不一定涉及同行评审，也不一定附带任何发表承诺。注册报告更直接地应对与发表偏倚有关的激励问题，但也不能保证研究设计或实施正确无误。\n\n可复现性与重复研究\n\n预注册与开放科学有关，但不同于共享数据、材料或代码。后几种做法有助于他人检查或复现分析；预注册则记录研究者是在何时确定分析方案的。\n\n一项预注册研究如果未公开材料，仍可能难以复现。反过来，一项完全可复现的分析，也可能是在大量探索之后才被选中的。预注册也不同于重复研究：原创研究可以预注册，重复研究也可以在未预注册的情况下进行。"
    },
    {
      "heading": "发展与应用",
      "text": "前瞻性研究方案和事先制定的分析计划，早于当代“预注册”这一术语的出现。20世纪末至21世纪初，临床试验公开注册逐渐制度化。进入2010年代，随着选择性报告和分析灵活性问题受到更多关注，预注册扩展到心理学、经济学、政治学及其他实证学科。\n\n预注册的应用不限于常规实验。研究者也会为观察性研究、调查、行政记录分析和元分析进行预注册。综述方案可以在汇集证据之前，明确纳入标准、检索方法、结局和综合分析程序。\n\n适应性研究同样可以预注册。其计划规定的是如何进行适应性调整的规则，而不是事先固定最终的每一个行动。例如，研究设计可以允许按照规定程序调整样本量，同时考虑这些调整所带来的统计学影响。"
    },
    {
      "heading": "局限与方法论争议",
      "text": "预注册是一种提高透明度的机制，而不是研究质量的合格证。已经注册的研究仍可能存在测量不佳、统计功效不足、模型不当或混杂等问题。尤其是，事先明确方案本身并不能为因果推断提供正当依据。\n\n预注册的成效取决于内容是否具体、记录是否可获取，以及是否将其与最终报告进行比较。含糊的计划可能留下很大的自由裁量空间，而详细的计划也可能被忽视。如果注册了许多可能的分析，却选择性地强调有利结果，那么预注册原本旨在揭示的某些问题仍会存在。\n\n事先承诺与方法上的学习之间也存在张力。未曾预料的数据特征，可能使原定模型不再适用。此时，严格遵守计划所得到的分析，可能不如经过透明说明且有合理依据的修订。关键区别不只是“计划内”与“计划外”，而是研究者是否准确披露了所作决策，以及这些决策与已观察结果之间的关系。\n\n有效推断并非一律要求预注册。有些程序在明确的假设下，允许序贯决策、模型选择或探索。反过来，事先规划也不会让无效的程序变得有效。预注册的贡献在于让研究决策过程更加清晰可见，使读者能够评估所提问题、所做分析与所报告证据之间的关系。"
    }
  ],
  "links": [
    "statistics",
    "multiple-testing",
    "significance-level",
    "p-value",
    "randomization",
    "sample-size",
    "statistical-power",
    "confidence-interval",
    "bayesian-inference",
    "prior-distribution",
    "sensitivity-analysis",
    "machine-learning",
    "randomized-controlled-trial",
    "publication-bias",
    "meta-analysis",
    "confounding",
    "causal-inference"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}