文章来源：LinkLab微信公众号，接下来我们就来聊聊关于样本量推算?以下内容大家不妨参考一二希望能帮到您!
样本量推算
文章来源：LinkLab微信公众号
引言
在临床研究设计阶段，临床研究者最纠结的问题在哪里？需要多少病例即样本量估算，必是其中问题之一。因为样本量太小，试验难以得出设计的效果，结果不稳定，错误风险也大，得到“假阴性”结果；样本量太大，增加试验的成本和难度。并且CONSORT和 STROBE等报告规范已要求要指明样本量的确定方法。那如何把握这个度呢？
正文
其实，我们可以计算临床研究的样本量！确定样本含量的大小，实际上，就是选择在实验结束时两组发生率可能获得显著性检验具有差异时所需要的最少观察人数。可根据科研假设的目的和测量参数性质，选择相应的公式来估算。
根据研究设计类型不同研究课题假设有三种类型：
1. 优效性假设检验：研究的干预措施效果将优于对照组；
2. 等效性假设检验：研究的干预措施效果将等于对照组；
3. 非等效性假设检验：研究的干预措施效果将不等于对照组；
这三类试验类型中又有样本率的比较和样本均数的比较。
在计算样本量之前，需要先给出必要的参数：
1.检验水平（α）：
I型错误表示，即检验假设出现假阳性结果的发生概率。通常α ≤ 0.05，α值越小，所需样本量越大；
2.把握度（power，1-β）：
即检验效能，II型错误表示。其中，β即检验假设出现假阳性结果的发生概率。通常β ≤ 0.01，必要时，可取β= 0.02。β值越小，检验效能越大，所需样本量越大；
3.容许误差或差值（δ）：
即拟检出的最小效应量，若为数值变量时，δ为有临床意义的均数差值、实验前后之差等；若为分类资料，δ为有临床意义的有效率、患病率等率之差。
4.总体标准差（σ）或总体率（π）：
对数值变量指标，需考虑σ，可用样本标准差代替；对分类变量指标，需考虑π，一般选取对照组或非暴露组人群的事件发生率。
这些参数，一般可通过预试验或参考文献或经验资料得到结果。此外，在计算样本量之前，还需要明确研究的主要终点指标、指标数据性质（计量资料或计数资料）、试验总体设计方法（平行对照、交叉对照等）等基础资料哦。
目前，已有很多关于样本含量估算软件，常用的有：nQuery、Advisor、SamplePower、G*Power、SASA（Sample Size Adviser）、PASS（power analysis and sample size）和SAS（statistical analysis system）等，大家可以动手学起来啦！
上述软件提供了样本量的各种计算公式，对于不同的研究设计，有不同的计算方法。大家只需要选择自己的试验方法和参数值，就可以计算所需的样本量！对于复杂的计算公式，在这里我们就不详述了，在后期的实例中再做具体分析。
LinkLab
如果这篇文章对您有用，希望您能点击正文最下方的「订阅」。想看更多临床科研的精品文章也可以关注我们的LinkLab
如果您有什么医学上的问题，也可以加微信客服号：linkmd,我们会一一为您解答
,
