神经科学大危机，一文扫荡15年研究？

我这么说吧，如果我在做一个视觉实验，然后进行全脑分析。结果我发现被试的小脑激活了10个voxel。你说我会认为小脑的这10个voxel是在进行视觉加工么？我多半不会，我会主动地认为这可能是虚报。这种类型的实验人员控制虚报就这么被无视了，你还敢说40000个fMRI实验都值得质疑？

4. 假设所有研究都用的是软件默认设置

需要提出的是，要产生70%的虚报概率不是那么容易的。你必须使用软件的默认设置，必须设定p=0.01，如果你不小心设置成了p=0.001，你就只能得到10%不到的虚报率了（见Supplementary Figure 2)。你还得一定要做空间平滑，而且还得是软件默认的空间平滑。由于实验数据原因，你还不能做slice-timing correction，所以fMRI功能像没对齐而产生的虚报你还得保留着。以上步骤，你稍微改了一个，你都得不到70%虚报率。然而，作者假设整个研究领域的所有研究人员都是无脑只会使用软件默认设置的，所以他们的实验结果都值得质疑。

这是在侮辱研究领域的整体智商。首先，应不应该做spatial smoothing就不是一定的。有很多研究人员早就知道空间平滑存在问题，所以他们可能并不进行空间平滑，或者是他们会先分析数据，看到确实有效应之后再做空间平滑。

另外，多重检验校正这个问题很多人都知道了，所以很多研究人员一开始就会把p设置成p=0.001设置更低来当做更保守的。作者们，请你在攻击40000个实验之前，先看一眼有多少实验是真的把p值设得这么低，然后再有针对性地进行地图炮不好吗？

5. 假设所有研究统计效力超级大，二类错误不是问题！

我们不想犯一类错误，但是我们同样也不想犯二类错误啊。什么是二类错误呢？就是『有成了无』。比如说，你的脑区A明明是在进行认知任务的，但是由于统计效力比较低，信噪比太高，所以数据反而告诉你：你的脑区A没有进行这项认知任务。举一个极端的例子，现在已经公认大脑枕叶进行视觉加工了，于是你躺进扫描仪，看到图片。结果我分析你的大脑数据，告诉你：你在看图片的时候，你的枕叶没有激活，一片黑。如果这不是二类错误——我的数据问题没有检测到你的枕叶活动，那你就需要去医院诊断一下了。

统计检验中选择参数检验的原因之一是因为参数检验要比非参数检验的统计效力高。这样的检验会防止研究人员错过发现大脑真正的运行方式。本文的作者说明了参数检验一类错误高，全身心都在担心一类错误，这只是统计分析的一个方面。我们也需要担心担心二类错误，所以，也想请作者好好分析一下不同的方法对于二类错误的控制如何。万一，我也做一个数据集分析，我也做1000次筛选，结果我发现参数检验的二类错误只有10%，而非参数检验的一类错误高达50%，我是不是也要写一篇文章抨击一下所有使用非参数检验的fMRI研究——你们都错过了效应了？

当然，我发现在整个研究领域，大家对于一类错误的担忧远远大于对于二类错误的担忧。