誤讀研究

前述幾項研究，其實驗方式有其先天不足之處；大眾對此類研究之所以常有錯誤詮釋，往往因為忽略其先天限制。以大腦結構為例，我們很容易假設，既然某種生理特徵與某種行為或心理特徵有關，則必然是前者導致後者。這種思路源於某個誤解，本部份將使用幾個流行病學概念詳加解釋。雖然部份議題比較專門，我們會盡量講解得淺白，讓門外漢也看得懂。

且舉例，假設發現男同性戀者與男異性戀者有一種、或幾種生理特徵差異，這種差異可能是間斷量數（discrete measure，稱為D），比如某段基因出現；或是連續量數（continuous measure，稱為C），如大腦某區域的平均大小。

若果某風險因素，明顯令某種健康問題或行為增加，這對我們了解該健康問題或行為之發展過程或者有幫助，卻無法證明兩者有因果關係；事實上這不能證明甚麼，只能說兩者有最弱的關聯。然而大眾通常會推斷，假如證明男同性戀者與男異性戀者有某種明顯差異，即可能發現了D（無論是基因、荷爾蒙或其他），無論機率有多低，許多人都會認為此發現證明同性戀有生理成因。但此推斷其實不合理。某種相對罕見的特徵，就算出現機率多一倍（甚或三四倍），都無助於預計某人會否成為同性戀者。

任何連續變數（C）也一樣，顯示男同性戀者與男異性戀者某種特徵（如腦區大小）之平均或中間數有差異，也不足以證明這種平均差異關乎性傾向之機率。再者，兩個組別之平均數雖有顯著差異，但兩組也可能有甚多重疊處，即是說，各組成員彼此之間可以並無顯著分野，因此所得數值無助預估性傾向或取向。

上述問題，部份可循方法學進路解決，如使用實習樣本（training sample）或交叉驗證程序（cross-validation）。所謂實習樣本，是用以建立模型（或假設）的小樣本，再以另一較大的獨立樣本測試模型，其目的，是避免用建立模型的同樣數據做測試。而交叉驗證，則以檢視某個具統計學意義的效應是否純屬巧合；若想證實結果非因巧合（假如樣本夠大），可以在同一樣本做隨機切割，再做同樣測試。研究員發現同性戀者與異性戀者樣本存在明顯的D或C差異後，可在同性戀組別做隨機切割一分為二，再證明此兩組並沒有D或C的差異。假設研究員比較同性戀與異性戀組別樣本時，找到百份之五差異；將同性戀組別一分為二後，在兩者間同樣找到百份之五差異，那最初發現同性戀者與異性戀者間之差異，則可能成疑。