总的原则是，应该详细交代以证明结果，并让有素养的读者能够通过原始数据，核实报告的结果，所以应尽可能以数量来描述所见，还应注明测量误差的恰当指标，或注明不确定性，如列出可信区间。应避免仅仅依靠统计学的假设性试验，例如只报道 P 值就不能体现重要的定量信息。
对实验对象的合格性应进行讨论。详细注明实验的随机性。描述实验方法中的盲法及其成功之处。应记载观察中的丢失情况，例如动物的死亡数。
研究设计和统计方法的参考文献应尽量采用标准著作，并注明被引证的页码，而不是采用报道设计和方法的原著文献。所采用的通用计算机程序应描述其特征。
     一般应给出观察对象的例数和观察次数。一定要交代清楚 n=? （多少并且是什么。是动物数，还是细胞数，还是实验的次数？）  
注意：只有同类的数据才可被平均。一般要求是平均数±标准差（standard deviation, 过去简写SD, 现规定为 s) 尽量不用标准误(standard error, se），除非是进行不同群体间均数的比较。
统计学中的术语，如“正常”（normal）、“显著”（significant）、“相关”（correlation）、“样本”（sample）、 “随机”（random，表示随机化设计）等，不宜作非专业性应用，即没有做过统计学处理，就不要在文中随便乱用，尤其是“显著增高”或“显著减少”这种话 。
统计学处理必须根据定量分析还是定性分析选择合适的统计方法，并且一定要明确交代具体方法，例如， t 检验，是组间还是配对？
半数有效剂量（ED50），或半数致死剂量 (LD50）或半数抑制剂量（ IC50)等，应有95% 可信限的报道，并且相比时，应使用加权概率分析 (Bliss and Finney法)。
     P>0.05 表示差异无显著性， (一般指小的样本），但并不意味着一点没有差异。 P<0.05 表示差异有统计学的显著性； P<0.01已表示差异有统计学的非常显著性，一般不必要再去强调P<0.001，甚至于P<0.0001的非常非常非常的显著差别。
     许多作者习惯于认为统计差异显著才有意义，一味追求报道统计显著性，做出不显著的结果就很丧气。却忘了反过来想一想统计差异不显著的意义。医学上最著名的例子就是大剂量与小剂量的疫苗接种对人工免疫防疫无显著差别而使免疫接种简便可靠。
     片面追求 P 值，忘记了实践中实际结果差异的重要性也是不足取的。例如：实验组均降压5mmHg左右，比起对照组来说，差异可以是非常非常显著，但从临床效果来看，高血压病人血压下降5mmHg没有实际意义，在此， P 值虽然很小，不能说明你的药物有用。因为你忘记了设阳性对照，即和已知降压有效的药物进行比较。
     早在1979年, 英国医学杂志(BMJ)的主编 Dr Stephen 就写道“Few things are more dispiriting to a medical editor than having to reject a paper based on a good idea but with irremediable flaws in methods used.” (Altman DG. The scandal of poor medical research. BMJ 1994; 308: 283-4)，很少有比这样的事更让一个医学编辑丧气的了：虽然一篇论文的立意很好但却因为方法学存在不可挽救的缺点而不得不退稿。可见，研究方法是多么重要！