为估计的真实相关系数添加置信区间$\rho$将是朝着正确方向迈出的一小步（而且非常简单）。它的宽度会立即让您对样本相关性的精确度产生印象，同时让作者和观众能够测试有用的假设。与社会科学的统计学家交谈时，我总是感到困惑的是，绝对样本相关系数高于$L = 0.3$（或其他一些限制）被认为是有意义的。同时，他们正在测试工作假设$\rho \ne 0$. 这是无关紧要的。为什么一个非常小的人口相关系数会突然被认为是有意义的？“正确”的工作假设是$|\rho| > L$. 有一个置信区间$\rho$在手边，这样的假设很容易被检验：只需检查区间是否完全位于上方$L$（或以下$-L$) 并且您知道您是否可以声称即使在总体中也存在“实质性”统计关联。

当然，仅添加置信区间并使用有意义的测试不会解决太多问题（例如糟糕的抽样设计、忽略混杂因素等）。但它基本上是免费的。我想即使是 SPSS 也能计算出来！

正如迈克尔 M 指出的那样，报告的相关性或任何其他估计的可信度可以使用置信区间进行评估。在某种程度上，就是这样。如果在数据收集后选择模型，CI 将太窄，我估计在社会科学中大约 95% 的时间会发生这种情况（老实说，这是我的一个完整猜测）。

补救措施是双重的：

• 我们正在谈论一个“可复制性危机”。因此，失败的复制告诉我们，最初的影响可能只是随机噪音。我们需要做（并资助、撰写、提交和接受）更多的复制。复制研究正在慢慢获得尊重，那就是一件好事。

• 第二种补救办法当然是荟萃分析. 如果我们报告了许多相似数据的相关性，即使它们中的每一个都具有低$n$，然后我们可以汇集信息并学习一些东西。理想情况下，我们甚至能够检测到发表偏倚进行中。