核心结论

一项定量研究，说到底是在做一件很朴素的事：把一个模糊判断改成可以观察的问题，按事先说好的办法收集数字，再看这些数字允许我们把结论说到哪里。

这里的“定量”，只是指主要证据能够用数量表示，比如一份早餐有多少蛋白质、抽到的早餐中有多少低于预设标准。它不等于“数字越多越科学”，更不等于跑出一个复杂模型，原来的看法就被证明了。问题、取样、测量和分析只要有一处接不上，最后的数字就可能答非所问。

这一组入门文章会使用一项虚拟研究贯穿演示。我们准备调查六个虚拟城市片区的常见外购中式早餐，看看它们是否经常出现主食集中、蛋白质和膳食纤维不足，或者钠偏高等结构问题。所有城市、店铺、早餐和结果都是教学模拟，不代表真实调查，也不是饮食建议。

“中式早餐营养不好”，现在还只是一种看法

“很多中式早餐就是一堆碳水”“白粥配油条没什么营养”，这类说法很容易传播，也很容易让人产生画面。不过，科研不能从画面直接跳到结论。

先问一个最简单的问题：这里说的“中式早餐”指什么？是家庭自己做的，还是早餐店里买的？是一件单品，还是一顿完整搭配？北方的面食、南方的粉面和各地早餐摊能不能放在一起说？如果这些范围没有确定，研究者只要换一批早餐，就可能得到完全不同的答案。

“营养不好”也没有天然的数字。有人关心能量是否过高，有人关心蛋白质，有人关心膳食纤维、钠或食物是否多样。研究者必须提前说明准备观察哪些方面，以及什么情况会被记为结构失衡。这个把日常概念改成可记录内容的过程，后面会叫作“测量”或“操作定义”。现在只要记住：没有定义，就没有一把稳定的尺子。

最容易犯的错，是先挑几份符合印象的早餐，再用这些例子证明原来的看法。比如研究者在一家店拍到白粥、油条和馒头，确实能算出三份早餐的营养组成，却不能据此判断一个城市，更不能判断“中式早餐普遍如此”。这不是计算错误，而是拿到的数据从一开始就承担不了那个结论。

所以，研究的第一步并不是打开统计软件。先把“我觉得是这样”改成“什么证据会让我认为它可能是这样，什么结果又会让我收回这句话”。一个允许出现相反答案的问题，才真正开始接受数据检验。

一项常见的定量研究，要把六处地方接起来

初学者看到论文，常先注意摘要、图表和一串统计名词。把这些格式先放到一边，一项常见定量研究通常有六个彼此相连的位置。

研究问题规定究竟要回答什么。研究假设把预期写得更具体，而且允许数据不支持它。研究设计决定去哪里观察、在什么时间观察、有没有比较以及能否讨论因果。测量把概念变成字段和数字。分析把样本里的数字整理成对问题有用的结果。结论则把答案放回原问题，同时留下样本、测量和设计造成的边界。

把早餐案例填进去，路线图会变成下面这样：

研究位置这项虚拟研究当前写法它约束了什么
研究问题六个虚拟城市片区的常见外购早餐中，营养结构失衡的比例是多少不能回答家庭早餐，也不能代表全国
主要假设按预先定义的教学标准，低于合格线的早餐超过一半数据没有清楚显示“超过一半”时，这项假设就不获支持
研究设计在同一调查期记录早餐现状，不安排人改变饮食这是横断面观察，能描述分布和关联，不能证明某种搭配导致健康结果
抽样和数据六城、每城 40 家店、每店 5 份早餐，共计划 1,200 份早餐来自同一家店时不能假装彼此完全无关
测量与分析把能量、蛋白质、纤维、钠和食物多样性转成 0—10 分，报告比例、区间和相关模型评分规则、数据误差和店铺聚集都要进入分析
允许的结论只讨论这套虚拟抽样和教学评分下观察到的结构不写成“中式早餐导致疾病”或“中国早餐都不健康”

路线图中的“数据”和“结果”也不是一回事。某份早餐得到 4 分，是一条观察记录；1,200 份早餐中有多少低于 6 分，才开始成为样本结果。研究者还要说明这个比例有多不确定。假如重新抽一批店铺，比例几乎不可能一模一样，所以论文通常会同时给出一个估计区间，表示按照当前抽样和计算方法，合理结果可能落在哪个范围。第 8 篇会具体算这件事，这里先不要把“57%”一类单个数字理解成没有误差的事实。

模型又比比例多问一步：哪些早餐特征经常和低分一起出现，城市与店铺差异有没有被混进去。这里说的统计模型，可以先理解成一种同时比较多个条件的数学办法。它能帮助整理关系，但仍然受前面那张路线图约束。研究者没有记录蔬菜，就不能在模型里分析蔬菜；只做了一次横断面观察，也不会因为计算方法很复杂就突然获得因果答案。

“横断面”听起来很专业，意思其实不复杂：研究者在一个调查阶段给现状拍了一张数据快照。它适合问“现在是什么分布”“哪些特征经常一起出现”。由于没有主动改变早餐，也没有持续追踪健康变化，它通常不能回答“吃这种早餐后来造成了什么”。

研究假设也不是作者想证明的口号。这里把主要假设写成“超过一半”，是为了让“普遍”有一个能被数据否定的意思。如果模拟数据最后只有三成低于合格线，正确结果就是这项假设没有得到支持。不能看完数据后把“普遍”改成“超过四分之一”，再宣布预测正确。

1,200 行数据，也可能只是在重复一家店

假设调查员为了省时间，进入一家连锁店，把当天能组合出来的 1,200 份早餐全部录进表格。数据文件依然有 1,200 行，均值、柱状图和回归模型也都能生成。但是，这 1,200 行主要反映一家店的菜单和配方，并没有增加对不同店铺、不同片区的了解。

这正是“样本量”和“代表性”经常被混淆的地方。样本量是实际观察了多少个单位；代表性问的是，这些单位通过怎样的选择过程，能不能支持研究者准备外推的范围。重复观察一个狭窄来源，可以把某些计算做得很精确，却仍然精确地回答了一个过窄的问题。

我们的虚拟方案因此先抽城市片区，再在每个片区抽店铺，最后在每家店记录早餐。每家五份早餐并不是五家店。它们共享菜单、采购和制作方式，数字上更可能相似。到分析阶段，需要保留店铺编号；数据表里把这一列写作 shop_id。这样，计算结果的不确定程度时，软件才知道哪些早餐来自同一处，而不会把 1,200 份早餐误当成从许多互不相关的店铺分别抽来。

这也说明为什么研究设计要早于数据分析。若店铺编号根本没有记录，分析人员事后很难恢复哪些早餐属于同一家店；若只抽了连锁门店，再复杂的模型也造不出街边摊和食堂窗口的数据。模型可以处理已经观察到的结构，不能补回从未进入样本的对象。

世界卫生组织的抽样资料把“实际从哪份名单抽取对象”、样本量和抽样实施放在同一套调查准备中；研究方法把那份实际名单叫作抽样框。具体调查的算法会不同，但这个关系很通用：先明确希望描述谁，再决定从哪里、按什么办法取得样本。

路线图不是开题时写完就放起来

研究真正开始后，这六个位置会不断互相追问。研究问题写的是“营养结构”，数据表却只记录价格和食物名称，就缺少回答问题的测量；评分使用钠含量，店铺又不愿提供配方，就要安排估算规则和复核子样本；早餐按店铺成组出现，模型便要处理这种聚集，而不是只比较 1,200 行的差异。

反过来，一处决定改变，后面的材料也要一起变。假如团队把研究对象从“外购早餐组合”改成“大学生实际吃下的早餐”，抽样单位会从店铺与套餐变成人，伦理、记录方式和缺失原因都会不同。旧的数据字典、样本量和模型不能只换一个标题继续使用。

这张路线图最重要的用处，是让研究者在收集数据之前发现断点。等数据已经收完，再发现“营养结构”没有可用定义，往往只能缩小问题；不能要求分析人员从早餐名称中猜出所有配方，再把猜测写成正式测量。

NIH 关于研究严谨性与可重复性的说明把研究设计、方法、分析、解释和报告视为一条连续的严谨过程。它提醒我们的不是“每篇论文都必须套同一格式”，而是最后的解释要能够返回前面实际做过的设计和测量。

报告指南也有类似但更有限的作用。STROBE列出了观察性研究需要透明报告的关键信息，帮助读者知道研究计划了什么、做了什么、发现了什么。它不是研究设计说明书：把清单全部写满，可以让一项有缺陷的研究更容易被看懂，却不会自动修复错误抽样或错误测量。

研究完成时，答案必须还能沿原路走回去

设想九篇以后，这项虚拟研究已经得到一个“结构失衡比例”和一组模型结果。一个数字能够进入论文，至少要沿路线图走回去：它用了哪 1,200 份记录，早餐怎样进入样本，评分怎样计算，哪些份量是估算的，同店早餐怎样处理，模型是否按原假设运行。

如果换一名研究者，用同一份数据、代码和分析条件能够得到一致的计算结果，这通常叫作计算可重复。美国国家科学院的相关报告特别区分了这种“用相同材料重建计算”和“另收一批新数据得到相近发现”。两者都重要，但不是同一件事。

到这里，我们还没有证明中式早餐的营养结构确实不好。我们只是把一句容易传播的判断改造成了一条允许失败的研究路线，并明确哪些数据能回答、哪些结论不能说。下一步要做的，是把路线图最前面的研究问题和假设写准。它们一旦含糊，后面 1,200 行数据只会更快地把含糊放大。