伙伴们遇到过以下情况吗？ 每次开始一个研究，脑海里总是会出现疑问。 我的研究需要多少样本量呢？ 或者论文答辩的时候，老师问你这个样本量能支撑你的研究结论吗？ 或者投稿时，审稿人在反馈中发现你这项研究的受试者量太少了，结果的准确性有保证吗？ 那么，当意识到自己的样本量不够时，可能的解决方法是追加实验数据； 是否要让审稿人认同你的受试者量足够，得到的结果可靠？
但是，出于现实的原因，这些方法可能难以实现。 那么，这个时候，大家该如何解决这个样本量的问题呢？ 也许你可以试试别的方法。 也就是说，请进行预先分析，估计所需的样本量，确认数据量是否大于估计值。 或者进行事后分析，说明目前的数据量能达到什么样的效果量和统计效果水平，是十分令人信服的。
GPOWER软件可以帮助我们解决一系列样本量的问题。 因此，为了顺利解决这个问题，主编认真整理了“样本量估算”的相关资料，分享给大家！
本期的内容主要从以下几个方面讲解和分享。
一、相关统计概念介绍
二、GPOWER软件的介绍和安装
三、利用GPOWER进行样本量的估算
一、相关统计概念介绍
(一) H0和H1在进行任何研究时，都需要根据现有的理论和经验，事先对研究结果做出预想的实证假设。 这个假说叫做科学假说，用统计用语表示时叫做研究假说，记为H1。 但是，统计学难以直接验证H1的真实性，因此有必要提出与之相对立的假设。 被称为虚无假说，或者无差别假说、零假说、原假说，表示为H0。
在假设验证中，H0总是被视为直接验证的假设，但H1与H0对立，二者择一，因此H1有时也被称为对立假设或预备假设。 假设验证的问题是判断虚无假设H0是否正确，决定是接受还是拒绝虚无假设H0。
)二)类型错误和类型错误，本来假设H0是正确的时候，因为样本的随机性，拒绝H0，犯“舍弃真”的错误，也称为类型错误。 概率为(即假设验证的显著性水平)，因此经常成为型错误。
假设H0不正确，但接受H0，犯“打假”的错误，也称为第二类错误、型错误。 概率是。
好的检查是，在样本容量n一定的情况下，应该尽量减小犯这两种错误的概率和。
研究需要多少样本量？ 或者说，已经有了研究样本量，有多大概率能得到统计学上有意义的统计结果(这个样本量值得研究吗)？ 这些问题都可以通过功率分析(Power Analysis )解决。 那么，要进行功效分析，首先必须调查与分析相关的4个统计量。 样本量(Sample Size )、效果值(Effect Size )、显著性基准)、统计效果(Power )，据了解，这三者可以推断出另一个。 其中
(三)统计效果(检验效果、效力、功率) () ) ) ) ) ) )。
统计效果是指某种检查能够正确拒绝错误的虚无假说的能力。 用1-表示。
统计效果的大小取决于四个条件：
1 .两者整体的不同。 两个群体差异越大或处理效果越大，假设检验的统计效果越大； (出错的概率不变的情况下，1-变大) ) ) ) ) ) ) )。
2 .显现基准:也称为显现水平，是特定的值，是决策基准。 通过p和的决策比较，进行统计决策。
假设H0为真时，观察到的差异完全由随机误差产生的概率称为观察概率p。
dent: 2em;">显著性标准α越大，则β错误越小，从而统计功效1-β越大；反之，α变小，1-β变小3.检验的方向：当两总体差异一定，对于同样的显著性标准α，单侧检验比双侧检验的统计功效要大。
4.样本容量。样本容量越大，样本平均数分布的标准误越小，分布曲线越瘦削，统计功效越大。
（四）效应量(效应大小，Effect Size）效应量，反映处理效应大小的度量。效应量表示两个总体分布的重叠程度。Effect Size 越大，表示两总体重叠的程度越小，效应越明显。其实，两样本平均数的差异本身就是一个效应量。由计算出的Effect Size大小，可由专门的表格中查出两样本分布的重叠的百分比。故效应量经常用两总体重叠的程度为指标，重叠的部分百分比越大，效应量越小。或以两个样本不重叠的程度为指标，不重叠的部分百分比越大，效应量越大。效应值是量化现象强度的数值，在不同的统计方法中统计量会不同。
对于有些小伙伴来说，上面的统计学概念可能有些抽象，下面小编为大家推荐一个网址（https://rpsychologist.com/d3/NHST/），在这个网站上，我们可以可视化的了解各个概念之间的关系。这个可视化是基于一个单样本的Z检验。你可以使用滑块改变样本量、功率、显著性水平和效应大小，以观察抽样分布的变化。如下图（左—双尾；右-单尾）：
G*power软件是由德国杜塞尔多夫大学几位乐于分享知识的老师开发的，专门用于统计功效（包括样本量）计算的免费统计软件，在心理学领域有着很高的声誉和认可度。
在官网即可下载软件，网址为：http://www.gpower.hhu.de/
（安装后图表见右图）
下图为软件的主界面（红框内中可依据实验设计选择统计方法；黄框内可依据分析目的选择功效分析类型）：
其中，Gpower 中最常见的统计力分析(power analysis)类型包括以下几类：
1.先验 (priori) 分析：根据所给的α水平，统计力水平(1-β)和效应大小(H0和H1的差异)，计算样本容量；
2.事后 (post-hoc) 分析：根据N，α，效应大小，得出β；
3.折中 (compromise) 分析：想得到较小的α和较大的1-β，所以α和β之间的权重用q = β/α表示，所以知道 N，q和具体的效应大小，得出α和β。
4.标准（Criterion）分析：根据 1-β、effect size 和 N 计算a 和相关决策标准。
5.敏感性（Sensitivity）分析：根据α、 1-β和N计算effect size 。
三、使用GPOWER进行样本量的估计G.Power的功能强大，即可以计算事后统计检验力（事后分析），也可以进行事前样本量的估计（先验分析）。
基本步骤如下：
1、选择统计方法：（Exact—FisherF test—方差分析t test差异性t检验X2test—卡方检验Z test—非参数检验）
2、进一步选择分类：（这里以t 检验为例）
3、确定想得到的参数：
①A Priori：研究设计时，想知道所需样本量N
②Compromise：α与β固定（不常用）
③Criterion：计算α（一般α为0.01、0.05不需要计算）
④Post hoc：计算研究结果的检验效能（power）——1-β
⑤Sensitivity：实验完成后，计算效应量
一般来说，①、④、⑤比较常用
4、设定各个参数：
Tail:one—单尾；two—双尾。一般选择后者；
Effect size：效应量，t检验里，采用Cohen(1988)的计算方法，小=0.2、中=0.5、大=0.8，不知如何填时，选0.5；
a err prob：一般为0.05、0.01；
Power：检验效能，0.8以上可以；
Allocation ratio:2组样本量n比值
5、最后点击Calculate:
结果里给出了所需样本量。在本例中，结果显示，保证得到效应在0.5（中）的前提下，设定a=0.05并且检验效能为0.8时，需要每组至少有64个样本。
以上就是本期分享的主要内容，希望可以帮助你顺利解决目前的苦恼~
在下期内容中小编会为大家详细讲解各个统计方法下具体是如何用GPOWER进行样本量估计的。
记得关注momo老师，获得更多精彩内容哦~