统计报告不仅呈现最终数字，还应让读者理解数据如何产生、哪些样本进入分析、方法为何适用，以及结果对分析选择有多敏感。
数据来源与研究设计
至少说明：
- 数据来源、获取方式与授权；
- 收集时间、地点和研究总体；
- 前瞻、回顾、随机试验、队列或横断面等设计；
- 纳入与排除标准；
- 抽样、分组和随机化方法；
- 测量工具、平台、批次和质量控制；
- 伦理审批和知情同意等适用信息。
这些内容决定统计模型中的独立性、目标总体和可推广范围，不能只放在背景介绍里。
数据清理与分析样本
报告从原始数据到分析数据的每个关键变化：
- 重复记录与逻辑错误如何处理；
- 异常值如何定义、核查和处理；
- 每项排除规则及排除数量；
- 缺失的数量、模式和处理方法；
- 变量派生、单位转换和分类阈值；
- 最终样本量、事件数和各模型使用的观测数。
不要仅写“清洗后纳入 193 例”。读者需要知道其余记录为什么没有进入分析。
统计方法
对每项主要分析写明：
- 结局、暴露、协变量和目标参数；
- 检验或模型的完整名称；
- 选择方法的理由；
- 分布、独立性、方差、函数形式等假设；
- 显著性水平、置信水平和单/双侧方向；
- 多重检验校正；
- 模型选择、交互、非线性和诊断；
- 缺失数据、聚类、权重和重复测量处理；
- 预先计划与探索性分析的区别。
“采用适当统计方法”不是可复现的描述。
报告估计值与不确定性
优先报告效应估计和置信区间，再报告 p 值：
两组收缩压均值差为 3.0 mmHg（95% CI -4.0 至 10.0；p = 0.34）。这比只写“差异无统计学意义”提供更多信息。对于回归模型，应注明单位、参照水平，以及展示的是系数、OR、HR 还是其他估计。
数值表达
- 小数位与测量精度一致，避免虚假精度；
- 极小 p 值可以写为
p < 0.001，不要写p = 0.000； - 明确 SD、SE、CI 和 IQR，不能只写括号数字；
- 百分比注明分母，并同时提供计数；
- 图中误差线说明表示 SD、SE 还是 CI；
- 组间比较报告差异的区间，而不只分别报告两组区间。
完整披露其他分析
说明敏感性分析、亚组分析、替代模型和探索性分析。结果未进入正文时，可放入补充材料，并说明它们与主要分析的关系。
只报告显著结果会产生选择性报告偏倚。阴性结果和失败的稳健性检查同样影响证据解释。
软件、版本与引用
记录软件、关键包、版本和重要参数：
R.Version()$version.string
sessionInfo()
citation()
citation("survival")如果结果依赖随机模拟、bootstrap 或插补，还应记录随机种子和重复次数。复杂自定义代码应与分析数据字典一起保存。
让分析真正可复现
可复现不只是列出软件版本，而是让数据到结果之间的全部计算路径能够重新执行。一个完整交付通常包括：
- 未经覆盖的原始数据或明确的数据获取脚本；
- 解释变量名称、单位、编码和缺失值的 codebook；
- 从清理、派生变量到建模和绘图的全部代码；
- 固定的随机种子、依赖版本和运行环境信息；
- README 中说明执行顺序、输入和输出；
- 由代码生成的表格、图形与报告。
R Markdown、Quarto 或 Jupyter 可以把叙述、代码和结果放在同一计算文档中。重点不是使用哪一种文件格式，而是避免表格和数字脱离生成它们的代码。
对于 Excel、SPSS 等交互式操作，应尽量保存语法、查询或宏；无法脚本化的步骤则要记录输入文件、菜单操作、参数和输出。录屏可以辅助说明，但不能替代结构化步骤和数据字典。
原始数据应保持只读，清理后的数据由脚本重新生成。手工覆盖文件或把结果复制到多个文档，会让版本差异难以追踪，也容易让报告中的数字与最新分析脱节。
数据因隐私或授权不能公开时，仍可以公开数据结构、字典、模拟示例和完整代码，并说明访问条件。可复现性要求透明描述限制，不等同于无条件公开敏感数据。
一个精简模板
数据与设计：数据来源于……；研究设计为……；纳入……，排除……。
预处理：原始记录 n=……；因……排除 n=……；缺失数据采用……处理；
最终主要分析样本 n=……，事件数为……。
分析：主要结局为……，主要暴露为……。采用……模型估计……；
调整变量包括……，选择依据为……；使用双侧 α=0.05 和 95% CI；
模型假设通过……检查，多重检验采用……校正。
结果：效应估计为……（95% CI ……；p=……）。敏感性分析……。
软件：分析在 R ……中完成，关键包及版本为……；代码与补充结果位于……。一份好的统计报告应让另一位分析者能够重建研究决策，而不仅是复刻最终表格。