The Hidden Correction Problem: When Data Treatment Creates Confidence Instead of Information / El problema oculto de la corrección: cuando el tratamiento de datos crea confianza en lugar de información

English
Data treatment is necessary in many experiments, but every correction contains a model of what the unwanted component is and how it enters the measurement. Baseline subtraction, normalization, smoothing, blank correction, background removal, deconvolution and outlier deletion can reduce known artefacts when their assumptions are valid. They can also suppress real structure, amplify noise, manufacture apparent precision or hide the fact that the experiment never separated signal from interference. This methodological article develops the hidden correction problem: the risk that a cleaner result becomes a more persuasive representation without becoming a more informative measurement. The central proposition is that preprocessing can recover information only when the information was present in the raw measurement in a separable form; it cannot create distinctions the experiment never resolved.

Español
El tratamiento de datos es necesario en muchos experimentos, pero toda corrección contiene un modelo de qué es el componente no deseado y cómo entra en la medición. La sustracción de línea base, la normalización, el suavizado, la corrección por blanco, la eliminación de fondo, la deconvolución y la eliminación de outliers pueden reducir artefactos conocidos cuando sus supuestos son válidos. También pueden suprimir estructura real, amplificar ruido, fabricar precisión aparente u ocultar que el experimento nunca separó la señal de la interferencia. Este artículo metodológico desarrolla el problema oculto de la corrección: el riesgo de que un resultado más limpio se convierta en una representación más persuasiva sin convertirse en una medición más informativa. La proposición central es que el preprocesado solo puede recuperar información cuando esa información estaba presente en la medición bruta en una forma separable; no puede crear distinciones que el experimento nunca resolvió.

HEB-009 · Version v0.3 · English and Spanish editions.