好的，公平的警告——这是一个不涉及数字的哲学问题。我一直在思考错误是如何随着时间的推移进入数据集的，以及分析师应该如何处理——或者它是否真的很重要？

作为背景，我正在对一项长期研究进行分析，该研究涉及可能由 25 个人在 7-8 年内收集的许多数据集——没有人将所有数据整合到一个连贯的结构中（这是我的工作）。我一直在做很多数据输入（从旧实验室笔记本的复印件转录），我不断发现其他人犯的小转录错误，并且还发现难以或不可能阅读的数据条目——主要是因为墨水随着时间的推移已经褪色。如果我不太确定，我正在使用上下文对数据所说的内容进行“最佳猜测”，并完全指出数据。但我一直在想，每次复制数据时，出错的频率不可避免地会增加，直到原始数据完全丢失。

所以，这让我想到：除了仪器/测量错误和记录错误之外，还有一个基本的“数据处理错误”组件会随着时间的推移和更多的数据处理而增加（旁注：这可能是只是说明热力学第二定律的另一种方式，对吗？数据熵总是会增加）。因此，我想知道是否应该引入某种“校正”来解释数据集的生命史（类似于 Bonferroni 校正）？换句话说，我们是否应该假设较旧或复制较多的数据集不太准确，如果是这样，我们是否应该相应地调整发现？

但是我的另一个想法是错误是数据收集和数据处理的固有部分，并且由于所有的统计测试都是用真实世界的数据开发的，也许这些错误来源已经在分析中“定价”了？

另外，值得一提的一点是，由于数据错误是随机的，因此它们更有可能降低发现的强度而不是改进结果——换句话说，数据处理错误会导致类型 2 错误，而不是类型 1 错误. 因此，在许多情况下，如果您使用旧的/有问题的数据并且仍然发现效果，那将增加您对该效果真实的信心（因为它足够强大，可以在向数据集中添加随机误差的情况下幸存下来）。因此，出于这个原因，也许“校正”应该采用另一种方式（增加“发现”所需的 alpha 水平），或者只是不给我们带来麻烦？

无论如何，很抱歉如此冗长和迟钝，我不确定如何更简洁地提出这个问题。谢谢你陪我。