样本量的α和β

“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。

之前的两篇文章是关于样本量的测定和为何要预先估算样本量的，本篇继续围绕样本量这个话题，一起来看看与样本量相关的两个重要值——α和β。

↓ 相关文章回顾：

GraphPad能解决样本量的问题吗？

为何要预先选择样本量？

01 标准值

在计算样本量时，多数科研人员会选择α和β的标准值。通常设置α=0.05、β=0.20(允许Power 80%)。

标准方法的好处是大家都会选择这个方法，也不需要太多的考量。但作为一般方法，它并不能很好地决定样本量。

02 根据科学背景谨慎选择α和β

在计算样本量时，应该根据试验设置以及产生I型或II型错误的后果来选择α和power的值。

可以尝试思考这样的场景：

I型错误表明某药物有效，而实际上并非如此。 II型错误可以断定某种药物无效（实际上是有效的）。 但是，产生I型或II型错误的后果取决于试验背景。 这里有A, B, C, D四种情况：

【A】

从庞大的化合物库中筛选药物，但缺乏科学的筛选依据。 你知道某些“命中”将是假阳性（I型错误），所以打算在另一种检验法中检验所有的“命中”。也就是说，I型错误的结果是你需要重新检验该化合物。 如果不想重新检验太多的化合物，就不能让α变大。 将其设置为一个较高的值（也许是0.10）就可能很有意义。 当你推断某种药物没有统计学上的显著作用，但实际上这个药物有效时，就会发生II型错误。 然而在这种情况下，你还有数十万种药物待检验，并且不可能实现完全检验。 通过选择较低的Power（如60％），就可以实现较小的样本量。一些真正的药物可能被错过，但此时你可以以同样的精力进行更多次检验。 在这种背景下，将alpha设置为较高的值是合理的。

→总结：低Power，高α

【B】

通过科学逻辑筛选出药物。 I型错误产生的后果与之前一样，可以证明α=0.10是合理的。 但是，II型错误产生的后果在这个情况下更为严重。 因为你已经谨慎地筛选了这些化合物，因此II型错误意味着可能会忽略优质药物。 在这种情况下，要将Power设置为较高的值。

→总结：高Power，高α

【C】

对筛选的药物进行仔细检验，且没有机会进行第二轮。 假设这些化合物会不稳定，因此你只能在一个实验中使用它们。 该试验的结果—命中和未击中的列表—将用于建立结构-活性关系，然后将其用于提出化学家们要合成的新化合物列表。 这将是一项昂贵且耗时的任务，无法轻易重复。 在这种情况下，I型和II型错误产生的后果都非常严重，因此将α设置为较小的值（例如0.01），将Power设置为较大的值（可能为99％）。 这也意味着你需要更大的样本量。

→总结：高Power，低α

【D】

重新考虑场景【C】。因为【C】所需的样本量可能太大而无法实现（无法运行）。深思熟虑后，你认为I型错误（错误地认为药物有效）的后果要比II型错误（缺少真实药物）的后果严重得多。 一次错误的选择可能会对你的结构活性研究(Structure-Activity Studies)产生巨大影响，并导致后续合成错误的化合物。 但错误地将一种药物称为无效药物，所带来的后果相对没有那么严重。 此时，较低的α值和较低的Power才是明智之选。

→总结：低Power，低α

03 最后......

上述情况都是人为设想的，至于如何设计你自己的药物筛查，他人是无法给你直接建议的。 通过这些设想的情况，你需要仔细考虑了产生I型和II型错误的后果，然后选择合适的α和Power的值。 这些都需要基于科学试验背景。

再回头看看标准值，就显得缺乏实际意义了。如果是你，你会如何衡量呢？

|| 往期内容回顾

统计推断中的十二个重要概念

【Prism统计教程】高斯分布

【Tips】如何高效使用Prism作图？