在最後關頭失敗
一個良好的研究議題是基於全面的文獻回顧探討－包含經過詳細驗證的一連串資料所構成－在大部分的成況下是這樣沒錯。然而在少數情況下，研究基礎的穩定性，因為資料分析中，潛在被忽略的負面因素干擾，進而導致研究結果受到誤判。在大部分研究結果誤判的案例中，原因可以歸咎於缺乏專業知識加上訓練不足與疏忽，但有些誤判，已被證實是為了要讓研究結果具有開創性所捏造的。以下幾點，是會導致你錯誤解釋你的研究結果的現象：
不去質問你所蒐集的樣本
無論是因為時間或預算的因素，研究在進行時很難能夠從大量母體中取得最具代表性的樣本。臨床實驗則是眾所皆知的很難達到預期功效；而在研究死亡的議題上，能夠獲得的樣本數日益減少，如果有效樣本可以被看作穩固的研究方法，則隨後所有統計數據的正當性，也有可能會被錯誤解釋。
將統計意涵看為既定的事實
方法主義者會警告你一型(實驗結果拒絕虛無假設，但理論上應該要接受假設)及二型錯誤(實驗結果接受虛無假設，但理論上應該要拒絕假設)，但真正有趣的研究結果往往會在你把統計數據意涵評價的過高時出現。只要你的P值在可接受範圍內，就不需要擔心。如果你夠幸運，擁有極大的樣本母體，任何無意義的差異仍會反應在統計意涵上。
不要做白工
研究是很艱難的工作，不應該和研究團隊投入心力後卻沒有得到成效。無論你花了多少時間在實驗室、做了幾次實驗、或是反覆測試了幾次，一定要確認你所投入的心力可以反映在實驗結果上。縱使你記不得因果關係跟相互關係或是精確性及正確性的差別，也要記得，對自己的研究投入越多心力，得到的結果會越好。
把上述所有幽默的形容排除，我們都知道研究結果的錯誤闡述是有極大的不確定性，尤其當結論是建構在統計資訊上時。任何的期刊都會和你說光是靠同儕審查是不足以讓研究被刊登的，足夠的訓練、指導、持續的監督才是確保研究設計及資料蒐集不會在分析資料時被任意低估。