发帖
雷达卡
生物医学试验中合理的样本量是决定整个试验成败的重要因素之一。
[color=rgba(0, 0, 0, 0.85)]
[color=rgba(0, 0, 0, 0.85)]样本量需要多大？答案当然是“视情况而定”。GraphPad Prism官方统计教程中解释了样本量会受哪些因素影响。但大家需要注意，Prism不会进行任何样本量计算，而是从几个不同的角度告诉大家如何决定合适的样本量、如何计算样本量等。
[color=rgba(0, 0, 0, 0.85)]基于手中现有的统计工具，关于“样本量测定”大家可以看看GraphPad能提供哪些有效信息。
[color=rgba(0, 0, 0, 0.85)]
[color=rgba(0, 0, 0, 0.85)]01 关于”样本量测定“，你需要先思考.....
[color=rgba(0, 0, 0, 0.85)]许多实验和临床试验都存在受试者数量过少的问题。样本量较少的研究会浪费精力，因为可能导致检测不到实质性治疗效果。即使治疗实质上改变了结果，这项研究也只有很小的机会发现具有“统计显著性”的效果。
[color=rgba(0, 0, 0, 0.85)]因此，在前期计划研究时，你需要选择合适的样本量。所需样本量取决于你对以下问题的回答：
[color=rgba(0, 0, 0, 0.85)]
- 你希望你的数据如何分布？
- 你愿意冒险去发现差异吗？
- 你希望这个差异程度有多大？
- 如果存在差异，你需要有多确定你的研究能发现这些差异？换言之，你需要哪些统计检验力？
[color=rgba(0, 0, 0, 0.85)]第一个问题要求你预估期望看到的标准偏差。如果你不能预估标准偏差，那么就无法计算出你的研究需要多少名受试者。如果你期望的是大量散布，那很难将实际效果与random noise区分开，这就要求你的研究包含大量的受试者。
[color=rgba(0, 0, 0, 0.85)]第二个问题是关于你对“统计学显著性”的理解。几乎所有研究人员都选择5%显著性水平，这意味着小于0.05的P值视为具有“统计学显著性”。假如你选择较低的显著性水平（如1%），那相应地你需要更多受试者。
[color=rgba(0, 0, 0, 0.85)]
[color=rgba(0, 0, 0, 0.85)]第三和第四个问题较为复杂。大家都倾向于计划一个能够检测到极小差异的研究，这需要很大的样本量。大家也都想设计一个具有多项检验力的研究，因此若治疗确实有效果，那么肯定会得出“统计学显著性”的结果，但仍需要很多受试者。
[color=rgba(0, 0, 0, 0.85)]
[color=rgba(0, 0, 0, 0.85)]02 没有样本量计算工具，我可以借鉴哪些信息......
[color=rgba(0, 0, 0, 0.85)]GraphPad StatMate不需要你回答后两个问题，而是直接在表格中显示结果，以便你查看样本大小、检验力以及可以检测的效应量之间的权衡。你可以通过观察这张表，考虑试验的时间、费用和风险，然后决定合适的样本量。
注意：StatMate并没有直接回答“我需要多少受试者？”的问题，而是给出了相关问题的答案 - “如果我使用N名受试者，那么我能知道什么信息？”
[color=rgba(0, 0, 0, 0.85)]Parker和Berman建议使用这种计算样本量的方法。
[color=rgba(0, 0, 0, 0.85)]在某些情况下，StatMate的计算会帮助你认识到，计划的受试者数量无法让你了解到你想知道的信息。这点非常有用，因为我们尚在计划阶段，取消这种浪费时间和金钱又没有足够检验力的试验是很明智的。而且，如果涉及任何临床风险或公共资金支出，那么开展这类研究甚至会视为不合伦理。
[color=rgba(0, 0, 0, 0.85)]03 为什么都建议样本量大......
[color=rgba(0, 0, 0, 0.85)]样本量大的一个好处是你检测特定效果的检验力更高，或者以恒定检验力检测到更小的效应量。但选择更大样本量（如有可能）还有另外一个原因。在样本量更大的情况下，你可以更好地评估数据的分布。从高斯分布或对数正态分布抽样这一假设是否合理？
[color=rgba(0, 0, 0, 0.85)]
样本越大，就越容易评估。
提升卡
置顶卡
沉默卡
变色卡
抢沙发
千斤顶
显身卡
京公网安备 11010802022788号
