为何要预先选择样本量？
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。
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。请注意，Prism不会进行任何样本量计算，但是会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。
之前跟大家一起探讨了GraphPad如何辅助判断“样本量”。
点击回顾：GraphPad能解决样本量的问题吗？
本篇继续围绕“样本量”这个话题，我们来聊聊“为何要预先选择样本量？”。
灵魂拷问：“为什么要提前选择样本量？”
01
“一边研究一边确定样本量的吸引力？”
对于许多人而言，在研究开始前计算样本量是件令人讨厌的事情。
大家可能会提出疑问：为什么不在收集数据的时候进行分析呢？如果结果不具有统计学显著性，表示需要收集更多数据，重新分析。如果结果具有统计学显著性，就可以停止研究，不要把时间和金钱浪费在更多的数据收集上。
但这个方法会有一个问题：如果你不喜欢这个结果，你会想要继续做；但如果你喜欢这个结果，你会停下来。结果变成，如果虚假设（null hypothesis）为真，获得“显著”结果的机率远高于5%。
02
“模拟展示没有预先选择样本量的危险！”
下图我们通过模拟数据说明这一点。
我们通过绘制高斯分布的值，模拟数据（平均值 = 40，SD = 15，*这些值是任意的数值）。两组均使用完全相同的分布进行模拟。我们在每组中选择N = 5，计算非配对t检验并记录P值。然后我们给每组增加一名受试者（此时，N = 6），并重新计算t检验和P值。我们重复该过程，直至每组中的N = 100。然后我们重复三次整个模拟的过程。这些模拟是通过比较具有相同总体平均值的两组进行的。因此，我们获得的任何具有“统计学显著性”的结果都必须是巧合-I型错误。
该图在Y轴上绘制P值，在X轴上绘制样本量（每组）。 图底部的绿色阴影区域显示P值小于0.05，因此被视为“具有统计意义”。
绿色曲线显示了第一组模拟实验的结果。N = 7时，P值小于0.05，但对于所有其他样本量，P值高于0.05。红色曲线显示了第二个模拟实验。当N = 61以及N = 88或89时，P值均小于0.05。蓝色曲线显示了第三个模拟实验。当N = 92至N = 100时，其P值小于0.05。
如果采用顺序方法，我们会宣布所有三个实验的结果均“具有统计学显著性”。当绿色实验中的N = 7时，我们会停止，那么永远不会看到其曲线的虚线部分。当N = 61时，我们会停止红色实验，而当N = 92时，我们会停止蓝色实验。在这三种情况下，我们都将称结果具有“统计学显著性”。
由于这些模拟是为两个总体的真实平均值相同的值创建，因此任何具有“统计学显著性”的声明均为I型错误。如果虚假设为真（两个总体的平均值相同），我们期望在5％的实验中看到这种I型错误（如果我们使用传统的alpha = 0.05的定义，那么P值小于0.05的声明为重大）。
但采用这种顺序方法，我们所有三个实验都会导致I型错误。 如果将实验延长足够长的时间（无限长N），所有实验最终都将达到具有“统计学显著性”。当然，在某些情况下，即使不具有“统计学显著性”，最终也会放弃。这种顺序方法也将在超过5%实验中产生“显著”结果。所以即使零假设为真，该方法也是无效的。
03
最后，很重要的一点...
选择一个样本量且坚持下去是很重要的。
看到想要的结果就停下来，或者看到不想要的结果就继续进行，是一种自欺欺人的表现。换句话说，实验在结果不具有统计学显著性的时候继续，但在具有统计学显著性的时候停止，则错误地认为结果具有统计显着性的机会远大于5％。
有一些特殊的统计学技术用于顺序分析数据。如果结果不明确，可以增加更多受试者，如果结果清晰，就停止实验。
感兴趣的话，大家可以在一些高级统计学书籍中查找“顺序医学试验（sequential medical trials）”，了解更多信息。
|| 往期文章回顾 
最后编辑于 2022-10-09 · 浏览 1501
