样本量的计算方法(样本的相关系数怎么计算)

有没有朋友遇到过以下情况:在开始一项研究之前，脑海中总会浮现一个问题。我的研究需要多少样本？或者在论文答辩中，老师提到你的样本量可以支持你的研究结论的时候？或者投稿时，审稿人在反馈中提到你的研究受试者数量太少。结果的准确性有保证吗？那么，当你发现自己的样本量不够时，你能想到的解决办法要么是补充实验数据；要么让审稿人相信你的课题足够多，结果可靠。

但是，有时由于实际原因，上述方法很难实现。那么，这个时候，如何才能解决样本量的问题呢？或许可以尝试另一种方法，即进行事前分析，估计所需样本量，然后看你的数据量是否大于估计样本量。或者做个事后分析，说明你目前的数据能达到什么样的效应量和统计功效水平，足够有说服力。

而GPOWER软件可以帮助我们解决一系列的样本量问题。所以，为了帮助你顺利解决这个问题，边肖精心整理了“样本量估计”的相关资料，与你分享！！

本期内容主要从以下几个方面进行讲解和分享:

一.介绍相关的统计概念

二。GPOWER软件的介绍和安装

第三，使用GPOWER估计样本大小

一.介绍相关的统计概念

（一）H0与H1

在进行任何研究时，都需要在已有理论和经验的基础上，事先对研究结果做出预期假设。这种假设被称为科学假设，当用统计学术语表达时，它被称为研究假设，记为H1。但是统计学上很难直接检验H1的真实性，所以需要建立相反的假设，这叫做零假设，或者零假设，原假设，这叫做H0。

在假设检验中，H0总是被直接检验的假设，而H1和H0是相反的，所以H1有时被称为相反假设或替代假设。假设检验的问题是判断零假设H0是否正确，决定是接受还是拒绝零假设H0。

（二）Ⅰ型错误和Ⅱ型错误

当原假设H0正确时，由于样本的随机性，H0被拒绝，就犯了“弃真”错误，也称为第一类错误，I型错误。概率为α(即假设检验的显著性水平)，所以往往成为α型误差。

当最初的假设H0是不正确的，但H0被接受时，它就犯了一个“假”错误，也被称为第二类错误，第二类错误。概率是β。

一个好的检验应该是在样本量N不变的情况下，使这两种误差α和β的概率尽可能小。

样本量的计算方法(样本的相关系数怎么计算)

而我们一般说研究需要多大的样本量？或者如果研究的样本量已经有了，那么能得到一个有统计学意义的统计结果的概率是多少(这个样本量值得做研究吗)？这些问题可以通过功耗分析来解决。那么，要进行功效分析，首先要了解分析中涉及的四个统计量:样本量、效应量、显著性标准(Alpha)和统计功效(Power)。知道其中三个就能推断出另一个。在…之中

（三）统计功效（检验功效，效力，Power）

统计学是指测试正确拒绝错误的零假设的能力。表示为1-β。

统计功效取决于四个条件:

1.两个总体差异。当两个群体的差异越大，或治疗效果越大，假设检验的统计功效越大；(当α的误差概率不变时，1-β变大)

2.显著性标准α:也称显著性水平，是一个具体的数值，是一个决策标准。通过比较P和α的决策来做出统计决策。

当假设H0为真时，观测到的差异完全由随机误差引起的概率称为观测概率p

显著性标准α越大，β误差越小，因此1-β的统计功效越大。反之，α变小，1-β变小。

3.检验方向:当两个总体的差异不变时，对于相同的显著性标准α，单侧检验的统计功效大于双侧检验。

4.样本量。样本量越大，样本平均分布的标准差越小，分布曲线越细，统计功效越大。

（四）效应量(效应大小，Effect Size）

效果，一个反映治疗效果大小的量度。影响的数量表示两个总体分布的重叠程度。效应大小越大，两个种群的重叠越小，效应越明显。实际上，两个样本平均值之差本身就是一个效应量。根据计算出的效应大小，可以在一个特殊的表格中找到两个样本分布的重叠百分比。因此，两个群体的重叠程度常被作为一个指标，重叠部分的百分比越大，影响越小。或者以两个样本不重叠的程度作为指标。非重叠部分的百分比越大，效果越大。效应是量化现象强度的数值，在不同的统计方法中度量会有所不同。

对于一些朋友来说，以上统计概念可能有些抽象。下面小编给大家推荐一个网站(https://rpsychologist.com/d3/NHST/)。在这个网站上，我们可以直观地了解各种概念之间的关系。这种可视化基于单一样本Z检验。您可以使用滑块来更改样本大小、功效、显著性水平和效果大小，以观察样本分布的变化。如下图(左-双尾；右-单尾):

样本量的计算方法(样本的相关系数怎么计算)