样本量估计原理与python代码实现

临时起意，后续整理

=======================================================

1 背景

样本量估计的原理是在研究过程中，为了达到一定的统计检验水平和效应大小，需要确定合理的样本大小。这一过程主要基于以下几个关键要素：

1.1 统计检验水平（Alpha）：

• • 指的是在假设检验中所采用的显著性水平，常用的有0.05和0.01，但0.05更为常见。
  • 它代表了拒绝原假设（H0）而实际上H0为真时犯第一类错误的概率。

1.2 统计功效（Power）：

• 通常用1-beta表示，其中beta是犯第二类错误的概率，即H0为假而未能拒绝H0的概率。
• 统计功效通常设定为0.8或更高，意味着在H0为假的情况下，有80%或更高的概率能正确拒绝H0。

1.3 效应大小（Effect Size）：

• • 是指研究中所关注的变量在两个或多个组之间的差异。效应大小的测量可以使用Cohen's d或其他统计量。
  • Cohen's d中，小效应通常被认为是0.20，中等效应为0.50，大效应为0.80。

1.4 方差（Variance）：

• • 描述了样本数据的分散程度。方差越小，表示样本中的数据越接近平均值。

1.5 可接受偏差：

• • 指的是研究中可以接受的最大误差，通常以百分比形式给出。例如，若可接受偏差为5%，则代表样本估计和真实总体值相差不超过5%。

2 数学原理

3 代码实现

样本量估计的代码实现

样本量估计的代码实现可以依据不同的统计方法和软件工具进行。以下以Python中的statsmodels库为例，展示如何通过编程实现样本量的估计。

示例：使用statsmodels进行双样本t检验的样本量估计

首先，确保已经安装了statsmodels库。如果没有安装，可以通过pip安装：

pip install statsmodels

然后，可以使用statsmodels.stats.power.TTestIndPower类中的solve_power函数来计算样本量。

from statsmodels.stats.power import TTestIndPower  # 设定参数  
effect_size = (0.08 - 0.06) / 1  # 假设的效应大小，这里以两组均值之差除以标准差为例  
alpha = 0.05  # 显著性水平  
power = 0.8   # 统计功效  
ratio = 1     # 实验组与对照组的样本量比例，这里设为1表示相同  # 计算样本量  
# 注意：这里nobs1为None，因为solve_power会根据其他参数计算出样本量  
sample_size = TTestIndPower().solve_power(  effect_size=effect_size,  alpha=alpha,  power=power,  ratio=ratio,  alternative='two-sided'  
)  print(f"建议的每组样本量为：{int(sample_size)}")

资料

https://en.wikipedia.org/wiki/Sample_size_determination

样本量计算的原理涉及统计学中的多个核心概念，目的是确定进行研究或实验时所需的样本量，以确保研究结果的精确性、可靠性和统计学显著性。样本量计算在临床试验、社会调查、市场研究等领域具有重要应用。下面我将详细介绍样本量计算的原理及相关要素。

1. 样本量计算的目标

样本量计算的主要目标是通过恰当的样本数量，最大限度地减少抽样误差，从而确保研究结果具有统计学显著性，并能够有效推断总体特征。样本量过小可能导致统计功效不足（即无法发现显著的差异），而样本量过大则可能导致浪费资源。

2. 样本量计算的核心要素

在进行样本量计算时，涉及到几个核心参数，这些参数直接影响样本量的大小。

(1) 显著性水平（α）

显著性水平是用于判断研究结果是否具有统计显著性的一种概率阈值。通常，α 被设定为 0.05，即在 5% 的概率下，结果可能由于随机误差导致“假阳性”（即实际上没有差异但结果显示有显著差异）。显著性水平越低，要求的样本量越大。

(2) 检验效能（统计功效，Power）

**统计功效（power）**是指检验真实差异的能力，通常设定为 80% 或 90%，即有 80% 或 90% 的概率在存在真实差异时能够发现这种差异。功效越高，要求的样本量越大。

(3) 效应量（Effect Size）

效应量是指研究中待测变量的实际差异或效应大小。效应量可以看作是研究对象间差异的规模或程度。效应量越大，样本量越小；反之，效应量越小，所需样本量越大。这是因为较小的效应量需要更多的样本才能够检测到统计显著差异。

效应量的估计通常基于先前研究结果或领域知识。如果没有先验信息，可以进行试点研究来估计效应量。

(4) 研究设计

研究的设计类型也影响样本量的计算。例如，配对设计或重复测量设计通常要求的样本量比独立样本设计要少，因为每个个体作为自己的对照，减少了个体间的变异性。

(5) 总体方差（Variance）

样本量计算通常还需要考虑总体方差（或标准差），即数据分布的离散程度。如果总体方差较大，则需要更大的样本量来确保统计推断的精确性。

3. 样本量计算的公式

具体的样本量计算公式会根据不同的统计检验方法（如均值比较、比例检验、回归分析等）有所不同，但所有的公式都基于上述要素。以单样本均值t检验为例，样本量计算公式如下：

(1) 单样本t检验的样本量公式：

对于一个双侧假设检验，样本量 nnn 的计算公式为：

其中，符号与上述公式相同。

4. 常用的样本量计算方法

(1) 基于均值的比较

如果研究中是比较两组的均值差异，样本量计算通常需要输入组间的效应量、总体标准差、显著性水平和功效。例如，使用两组独立样本t检验时，如果效应量较小，方差较大，研究人员可能需要更多的样本以确保能够检测出差异。

(2) 基于比例的比较

在涉及到比较两个比例（如成功率）的研究中，样本量计算会依据组间的比例差异、显著性水平和功效。对于比例检验，样本量的计算通常使用二项分布。

(3) 回归分析中的样本量计算

在回归分析中，样本量计算考虑的是预测变量与结果变量的关系强度。R²（决定系数）通常用作效应量的度量，效应量越大，需要的样本量越小。

5. 样本量计算的工具与软件

计算样本量时，研究人员可以使用各种统计软件或专门的计算工具，如：

• G*Power：一个免费、功能强大的样本量计算软件，支持多种统计检验。
• SPSS：商业统计软件，提供样本量计算模块。
• R语言：通过 pwr 包可以进行样本量计算。
• Python：使用 statsmodels 库中的 power 模块也能进行样本量计算。

6. 样本量的调整

有时研究人员在样本量计算后需要进行调整，例如，考虑预期的失访率或无效数据的比例，他们会在初步计算的基础上增加一定的样本量，以确保最终有效样本足够满足研究要求。

7. 结论

样本量计算的核心在于平衡统计功效、显著性水平、效应量和总体方差，以保证研究的结论能够准确地推断总体特征。通过合理的样本量计算，研究人员能够优化资源分配，减少研究的浪费，同时提高结果的可靠性和有效性。