数据处理错误是否已经“纳入”统计分析？
好的，合理的警告-这是一个不涉及数字的哲学问题。我一直在思考错误将如何随着时间逐渐潜入数据集中，以及分析人员应如何处理这些错误，或者它是否真的很重要？ 就背景而言，我正在一项长期研究中进行分析，该研究涉及大约7-8年内可能由25个人收集的许多数据集-没有人将所有数据整合到一个一致的结构中（这是我的职责）。我一直在进行大量数据输入（从旧实验室笔记本的影印本抄录），并且不断发现其他人犯的小抄录错误，并且发现难以或无法读取的数据条目-主要是因为墨水随着时间的流逝而消失。我正在使用上下文对数据的含义做出“最佳猜测”，如果我不太确定，则将数据完全指出。但是我一直在考虑这样一个事实，每次复制数据时，错误的频率不可避免地会增加，直到原始数据完全丢失为止。 因此，这使我想到：除了仪器/测量错误和记录错误之外，还有一个基本的“数据处理错误”组件会随着时间的推移以及对数据的更多处理而增加（注意：这可能是由于这只是说明热力学第二定律的另一种方式，对吗？数据熵将一直增加）。因此，我想知道是否应该引入某种“校正”来说明数据集的寿命历史（类似于Bonferroni校正）？换句话说，我们是否应该假设较旧或复制较多的数据集的准确性较低；如果是，则应相应地调整发现结果吗？ 但是，我的另一种想法是错误是数据收集和数据处理的固有部分，并且既然所有统计测试都是使用真实数据开发的，那么这些错误源可能已经被分析所“价”了吗？ 另外，值得一提的另一点是，由于数据错误是随机的，因此降低发现强度的可能性远大于改善发现的强度-换句话说，数据处理错误将导致类型2错误，而不是类型1错误。 。因此，在许多情况下，如果您使用的是旧的/有问题的数据并且仍然发现了一种影响，则可以增加您对这种影响是真实存在的信心（因为它足够强大，可以承受向数据集添加随机误差的影响）。因此，出于这个原因，也许“校正”应该采取另一种方式（增加“查找”所需的Alpha水平），还是不给我们带来麻烦？ 无论如何，很抱歉如此冗长和晦涩，我不确定如何更简洁地提出这个问题。感谢您的支持。