数值取证：如何用泊松分布抓出科学造假？

TL;DR

在科学界，撤稿事件在过去十年中增加了十倍，其中大部分归咎于学术不端。本文通过一种独特的“统计取证”视角，揭示了造假者在捏造数值数据时无法避免的心理偏差。作者利用泊松分布模型（Poisson Model）对三重复实验数据进行了深度审计，通过计算 p 值发现，某些数据造假的概率比中彩票还要低。该工作不仅是一篇案例研究，更是一套可推广的数值诚信检测协议。

痛点深挖：造假者的“心理直觉”vs. 自然的“随机性”

为什么数值造假难以逃脱统计检测？核心在于人类非常不擅长模拟真正的随机性。

当一名科研人员想要伪造一组三重复（Triplicate）实验结果时，为了让实验“看起来很漂亮”，他往往会先选定一个理想的均值，然后在均值上下加减一个小的偏移量。例如，想要均值为 100，他可能会写下 {98, 100, 102}。

然而，在真实的细胞计数实验（如 Coulter 计数或菌落计数）中，数据的波动遵循泊松分布（Poisson Distribution）。泊松分布的一个关键物理直觉是：均值越大，波动越大；且观测值恰好等于四舍五入均值的概率有着严格的理论上限。

核心方法论：泊松三重复模型

作者建立了一个数学模型来评估一组 n 个三重复数据中，出现 k 个包含均值的组合的概率。

1. 均值包含性（Mean Inclusion）

如果三组观测值为 $\{x_1,x_2,x_3\}$，其均值为 $\bar{x}$。作者通过泊松分布推导出，在特定的 $\lambda$（均值参数）下，其中一个观测值恰好等于（或非常接近）四舍五入后的 $\bar{x}$ 的概率。

实验发现，无论 $\lambda$ 怎么变化，这个概率通常不会超过 0.42。而在涉嫌造假的 RTS 数据中，这一比例竟然超过了 50%。

2. 中值比例 (Mid-ratio) 分析

作者引入了一个指标 mid-ratio = (middle - low) / (high - low)。对于随机生成的测量值，这个比例在 0.4 到 0.6 之间的分布应该是均匀的。

图 1：左侧（RTS）在 0.5 附近有极高的聚集，表明数据是人为对称构造的；右侧（对照组）则呈现自然的均匀分布。

实验与结果：统计学上的“死刑”判定

作者对比了涉嫌造假的 RTS 与实验室内其他 9 名成员及 3 个外部实验室的数据。

核心战绩

• 末位数字分析 (Terminal Digit Analysis)：根据 Mosimann 准则，测量值的个位数应该是均匀分布的（0-9 出现频率各 10%）。RTS 的数据在卡方检验下 p 值直接归零。
• 等值对分析 (Equal Digit Analysis)：RTS 记录的 Coulter 计数中，末两位数字相同的频率显著高于 10%（p < 3.3 x 10^-8）。

表 1：各项测试的 Z-Value 统计。RTS 在菌落计数（COLONIES）测试中的 Z 轴偏离达到了惊人的 34.97，这在统计学上意味着该数据通过随机产生的可能性为 0。

深度洞察：为什么这种方法有效？

该研究揭示了伪造者的两个致命盲点：

1. 忽略了泊松分布的方差随均值增长的特性：造假者在处理高数值（如 Coulter 计数，λ > 1000）时，给出的偏差范围太小，导致数据过于“精确”。
2. 个位数偏好：人类大脑在随机生成数字时会下意识地偏好某些数字（如 0, 5）或避免重复，这与物理传感器的输出特征不符。

局限性与未来展望

局限性：这是一种后验（post hoc）分析，依赖于获取完整的原始原始实验记录本。如果造假者掌握了复杂的概率建模知识，理论上可以伪造出更完美的随机数据。

启示：作者强烈建议期刊应强制要求存档原始数据，并推广自动化的细胞计数法，以减少人为干预数值的空间。未来，这种基于 R 或 Excel 的自动化检测套件有望成为学术审稿流程的标准环节。