收到拒稿或大修意见，审稿人又提到了数据不足，真是难搞。
数据不足可以说是比较难搞的意见之一了。
那么除了本身确实数据量不够之外，还有一种情况，很多人都忽略了，那就是：不是数据不够多，而是你没有讲清它的价值，所以才让编辑或审稿人给你草草下了结论。
数据最主要的就是可信度与解释力。
数据解释力=数据质量+论证逻辑+局限性回应，三者缺一不可！
今天咱们就从底层逻辑到话术模板，看看怎样把数据从容易被挑刺变成容易获得认可！
1 被质疑数据不足的原因
主要还是两点：
1） 可信度不足
审稿人觉得你的数据可能有水分。
样本选偏了；
测量方法不靠谱；
实验设计有漏洞。
举个例子：你研究“某药对高血压的疗效”，只选了40-50岁的患者做样本，就算样本量再大，数据再完美，审稿人也会质疑“这结果能不能代表所有高血压患者”。
2） 解释力不够
数据和结论各说各话，没有强逻辑。
只证明了A，硬要推论出B；
关联性太弱，结论站不住脚；
关键变量没控制，结果被干扰。
举个例子：一项针对1000名青少年的研究显示，社交媒体使用时长与抑郁量表得分呈弱相关（r=0.2，p<0.05），但作者声称“增加社交媒体使用会导致抑郁风险上升”。
审稿人质疑：首先r=0.2在研究中属弱相关，不足以支持强因果结论；然后未控制家庭互动频率、学业压力等第三方变量，这些因素可能同时影响使用时长和抑郁得分。这些就属于典型的解释力不够。
数据不足可以说是比较难搞的意见之一了。
那么除了本身确实数据量不够之外，还有一种情况，很多人都忽略了，那就是：不是数据不够多，而是你没有讲清它的价值，所以才让编辑或审稿人给你草草下了结论。
数据最主要的就是可信度与解释力。
数据解释力=数据质量+论证逻辑+局限性回应，三者缺一不可！
今天咱们就从底层逻辑到话术模板，看看怎样把数据从容易被挑刺变成容易获得认可！
1 被质疑数据不足的原因
主要还是两点：
1） 可信度不足
审稿人觉得你的数据可能有水分。
样本选偏了；
测量方法不靠谱；
实验设计有漏洞。
举个例子：你研究“某药对高血压的疗效”，只选了40-50岁的患者做样本，就算样本量再大，数据再完美，审稿人也会质疑“这结果能不能代表所有高血压患者”。
2） 解释力不够
数据和结论各说各话，没有强逻辑。
只证明了A，硬要推论出B；
关联性太弱，结论站不住脚；
关键变量没控制，结果被干扰。
举个例子：一项针对1000名青少年的研究显示，社交媒体使用时长与抑郁量表得分呈弱相关（r=0.2，p<0.05），但作者声称“增加社交媒体使用会导致抑郁风险上升”。
审稿人质疑：首先r=0.2在研究中属弱相关，不足以支持强因果结论；然后未控制家庭互动频率、学业压力等第三方变量，这些因素可能同时影响使用时长和抑郁得分。这些就属于典型的解释力不够。