动物实验排除离群值，预设规则和实际决定怎样区分？

动物实验里一只动物的测量值远离其他同组结果，作者担心它会“破坏显著性”，便在作图前删除。这样的处理与预设的技术失败排除不同；数值极端可能是测量错误，也可能是重要的生物学变异。投稿时应分别写清实验前定好的排除条件、实验中实际发生的情况和看到结果后作出的决定，让读者知道分析人数为何变化。

把规则放在结果之前

方法段列出预先指定的质量控制条件，例如仪器校准失败、样本无法测量、组织处理破损，以及每项规则的判定证据。若计划使用统计离群规则，应写具体算法、应用范围、是否按组分别计算、由谁执行，以及是否在揭盲前确定。只写“异常值按标准方法剔除”无法复现。若无预设离群规则，看到极端值后可以核查原始记录和技术过程，但不能把事后删点伪装成方案早已规定。

自拟例子中，治疗组12只动物里有一只测量值明显偏高。检查原始文件发现这只动物的仪器校准记录正常，样本编号也无错；作者没有证据证明它是技术故障。主分析应按原方案决定是否包含它；若事后提出排除，应明确标注探索性，并可并列报告包含与排除后的估计和区间，说明这一选择对结论的影响。若经核实是仪器读数文件损坏，提供可追溯证据、排除日期和谁作决定；两种情形不能混写。

在结果中给出完整去向

每组列出随机分配数、取得结局数、未进入每项分析的数和理由。不同结局可能有不同缺失或排除人数，图注中的n应按当前结局标明。异常值若保留，散点图可以让读者看到它的位置；若删除，图中不能既隐藏点又不解释。统计模型对极端值敏感时，可事先规划稳健方法或做透明的敏感性分析，但“换到显著为止”不是合理策略。若小样本中一只动物左右结论，讨论应承认估计不稳定。

ARRIVE 2.0把纳入排除标准列为核心项目，要求说明排除动物或数据点的标准、每组实际被排除的数量和理由；解释文件强调预设规则与事后决定的区分。指南并不禁止有证据的技术错误排除，也不规定离群值一律保留。关键是让排除不由研究者对想要结果的偏好暗中决定。

投稿前从图上每个点回查动物编号与原始记录，比较含和不含极端值的结果。若那只动物没有技术故障，就明确说明处理依据及结果敏感性。治疗组那只偏高的动物若没有技术故障，不应只为了让图更整齐而消失。

参考信息：ARRIVE 2.0动物研究报告指南及解释文件。