When is p-hacking detectable?
何时能够检测到 p 值操纵？AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要核心是选择性报告的统计检测；RCT 与 IV 是应用对象，不足以将方法归入因果效应识别。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
何时能够检测到 p 值操纵？
- 研究问题
- 仅凭已报告的 t 统计量或 p 值分布，哪些选择性报告行为能够被检测，哪些无法识别，常用检验又是否具有足够功效？
- 方法与思路
- 作者提出投影检验，以平滑经验 t 曲线到所有可能诚实报告分布构成集合的距离为统计量，并处理部分良性分布扭曲。
- 材料陈述的贡献
- 摘要称，该检验覆盖所有可由报告分布检测的选择性报告；元数据应用发现，RCT 与 IV 的曲线扭曲超出所考察良性因素的解释。
- 阅读关注点
- 应核对诚实报告分布集合的定义、可检测性的形式化含义、平滑与临界值构造，以及舍入和 t 分布近似如何影响拒绝。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未说明具体检验条件，曲线异常也不足以归责到单篇论文。
原文摘要
We show that some forms of p-hacking cannot be detected by examining the histogram of t-statistics or their p-values. Even when p-hacking is detectable, standard tests may lack power. We propose a novel test that detects every form of selective reporting that is detectable from the distribution of reported t-statistics. Our test statistic is the distance between the smoothed empirical t-curve and the set of possible honest distributions. This projection test is sharp and can only be evaded by selective reporting that also evades all other valid tests of restrictions on the t-curve. We also show how to avoid spurious rejections caused by some benign distortions in the t-curve. Applying the test to the Brodeur et al. (2020) meta-dataset, we find that the t-curves for RCTs and IVs are more distorted than could arise by chance, (de)rounding, or the Student-t approximation.