Featured
三篇，值得你先放下手机去读
不追热点，只挑那些读完会改变你判断方式的文章。它们共同的问题是：我们凭什么相信这个数字？
06 Picks
六种心情，六个入口
按你此刻的状态挑一个吧——想较真、想被安慰、想学会质疑，这里都有对应的入口。
今天想较真：p 值与置信区间的分工
两者不是替代关系，而是两种回答方式。把它们放回同一个置信框架里看，很多争议会自然消解。
今天想被安慰：阴性结果也有它的价值
没有显著差异，不等于没有知识增量。一篇好的阴性研究，同样值得被认真读完并记录在案。
今天想规划：检验效能与样本量的对话
先问效应量有多可信，再问需要多少人。顺序一颠倒，预算和结论都会跟着走偏。
今天想质疑：多重比较与假阳性浪潮
比较次数一多，偶然就会披上必然的外衣。校正方法不只是技术操作，更是一种自我克制。
今天想读懂图形：生存分析的细节陷阱
曲线交叉、尾部拖长、风险人数表缺失——学会看这三处，你就比多数人更接近真相。
今天想安静：一份关于缺失数据的耐心清单
完整病例分析很省事，但省掉的那部分往往正是关键。先说清楚缺失机制，再谈填补。
How to use
怎么用这个站点，才不算浪费时间
我们不做信息流，也不制造焦虑。三条路径、两个提醒，够你在这里待上一小会儿。
先读案例，再读方法
抽象的公式很难记住，但一个具体的临床试验情境会留在脑子里。建议从编号精选里的案例读起，遇到方法名词再回头查，理解会更牢固。
每次只带一个问题离开
一篇文章能解决的疑问通常只有一个。读完后写下你此刻最想问的问题，比通读十篇更有收获。我们更希望你把问题带走，而不是把结论背走。
把结论放回它的研究设计里
同一个统计量，在不同设计下含义完全不同。看到任何"显著"结论，先问样本怎么来的、对照是什么、随访多久，再判断它值不值得相信。
Editor's note
编辑手记：我们为什么还在谈统计
数字不会自己说话，是人在替它说话
做这个站点的初衷很朴素：我们身边有太多被数字说服的时刻，却太少有人停下来问一句"这个数字是怎么来的"。生物统计学恰好提供了那套提问的语言——它不承诺给你确定的答案，但会教你把问题问得更准确。
这一期我们围绕"边界"做了一点整理。样本量的边界、显著性的边界、结论可外推的边界。它们看起来是技术细节，实际上是研究者对读者的一种诚意：我把我的不确定，也一并告诉你了。
"一个负责任的结论，应该带着它自己的适用范围一起出现。"
也正因为如此，我们在挑选内容时更偏好那些愿意写清楚局限的文章。它们通常不那么"炸"，但读完之后，你会对某个领域多一点真实的把握，而不是多一点情绪。
如果你也在做类似的事情——把复杂的统计讲得温和而准确——欢迎来信。我们相信，好的解释本身就有力量。
写封信给我们吧
如果你读到一篇值得被更多人看见的统计文章，或者对某个案例有自己的解读，欢迎把想法寄过来。我们会认真读完，并在合适的时机回复。来信不必正式，说清楚你想说的是什么就好。