很多研究者都遇到过这种情况：论文返修时，审稿人要求解释为什么几个样本被排除，但打开数据文件夹只有反复覆盖后的最终表格，原始记录已经无法对应。这个问题表面是文件管理，实际关系到研究结论能否被复核。原始数据留痕不是为了应付检查，而是为了证明分析过程经得起追溯。
先分清原始数据与分析数据
原始数据是未经修改或只经过最必要记录的初始信息，包括实验仪器导出文件、调查问卷原卷、录音转录、代码运行产生的初始输出等。分析数据则是在原始数据基础上筛选、清洗、转换后用于统计或论证的版本。二者一旦混在同一文件中，后续很难判断哪些是原始信息，哪些是事后加工。比较稳妥的做法是：原始数据单独保存并设为只读，任何处理都另存为新文件，同时记录从原始数据到分析数据的具体步骤。对调查数据，原始问卷、录音和转录文本应保留；对计算或实验数据，初始导出、运行参数和输出结果应完整保存。分析数据可以修改，但原始数据不能因为“看起来更干净”而被覆盖。
哪些做法容易构成选择性报告或事后篡改
选择性报告最典型的特征，是研究者只保留或展示支持预设结论的结果。比如多个结局指标中只报告达到显著水平的部分，未报告的其他指标无法被读者看到；或者连续变量分组时，反复尝试不同切点，直到组间差异满足预期。这些操作如果发生在分析阶段，并且没有说明探索过程，就可能构成结果驱动的研究。事后篡改则更直接，例如修改原始记录中与结论不符的数据、删除不利观测后不记录，或者在论文返修时重新补充原始资料以匹配修改后的结论。研究生和科研人员常面临一个模糊地带：剔除离群值、调整变量定义、更换统计模型，有时确实是合理分析步骤；但如果这些步骤没有被预先规定，事后又没有记录理由和结果变化，读者和审稿人无法区分正常优化与不当操纵。因此，规范的重点不在于绝对禁止删除或调整，而在于每一处影响结论的改动都留下证据。对于未预先规定的操作，应明确标注为探索性分析，并在论文中说明主分析和补充分析的范围，而不是把它们包装成事先设计好的流程。
建立可复核的记录链
可复核的记录链至少包含四个环节：原始数据、处理过程、分析代码或操作记录、输出结果。每个环节之间应有对应关系。原始数据之外，所有清洗、合并、剔除、填补、变量重编码等操作都应记录时间、对象、理由和执行结果。对于计算类研究，分析脚本应与数据版本对应，最好让另一人在不依赖口头解释的情况下，从冻结的数据版本重新运行得到相同结果。对于需要随机抽样或模拟的研究，随机种子和运行环境也应保留。合作研究还要注意权限问题：谁有权修改数据，修改是否能被追踪，导出的中间文件是否带有版本信息。很多争议并非源于故意造假，而是最后只有“最终版”存在，中间的决策过程完全消失。建立记录链的目的，是在结果受到质疑时能够回答“这个数字从哪里来、经过哪些步骤、每一步为什么这样做”。
异常值处理需要留下什么
异常值删除是最容易被质疑的环节。合理做法是：先确定识别异常值的标准，或者至少明确说明该标准是事后根据数据特征形成的探索性判断。删除或修正时，应记录具体对象、触发原因、处理方式和处理后的影响。例如，某次实验由于仪器校准异常导致数值明显偏离，可以剔除，但应在记录中写明校准问题和判断依据，同时保留剔除前后的结果对比。若没有记录，只在论文中写“剔除异常值后结果如下”，读者无法判断是否存在主观挑选。更稳妥的做法还包括对关键结论做敏感性分析，即展示含与不含异常值时的结果差异。若结果在两种情况下都稳定，质疑会明显减少；若差异很大，更需要如实报告，而不是选择有利于结论的版本。这里最重要的是，异常值不是不能处理，而是不能悄悄处理。
自查清单：从数据生成到论文定稿
在提交或发布前，可以用下面一组问题检查自己的数据链条是否完整：
- 原始数据是否单独、只读保存，没有被清洗后的版本覆盖？
- 每个数据版本是否都有时间、修改者和修改说明？
- 样本筛选、变量转换和缺失值处理的每一步是否可重复？
- 剔除或修正异常值时，是否记录了理由、对象和前后结果变化？
- 分析结果是否与分析代码和数据版本对应，能否重新运行复现？
- 所有预先设定的分析计划是否与事后探索性分析明确区分？
- 只报告显著结果而忽略其他指标的情况是否存在？
- 合作研究中，数据修改权限和版本流转是否有迹可循？
- 论文定稿前的数据、代码和输出是否已按统一格式归档？
- 若原始记录确实缺失，是否如实说明局限，而不是补充编造记录？
这份清单不需要在一次研究中全部达到理想状态，但问题越早暴露，后续补救的空间越大。
对研究者来说，最实际的起点不是购置复杂系统，而是改变一个默认习惯：新获得数据后，先冻结原始版本，再生成分析版本。留痕如果只在提交前才补，往往已经来不及；如果从实验或调查一开始就作为常规动作，它并不会增加太多负担，却能让研究结论在面对审稿、合作分歧或学术质疑时站得更稳。
