计算样本量的软件(Gpower使用秘籍-样本量计算

Gpower使用秘密-样本量计算

朋友们有没有遇到过以下情况:计算样本量的软件

每次我开始一项研究，我的脑海里总是有一个问题。我的研究需要多少样本？或者在论文答辩中，当老师提到你的样本量能支持你的研究结论时？或者在提交时，审稿人在反馈中提到你的研究测试太少，结果的准确性有保证吗？然后，当你发现你的样本量不够时，你能想到的解决方案是补充实验数据；或者让审稿人相信你的测试是足够的，结果是可靠的。

然而，有时由于实际原因，上述方法很难实现。那么，你应该如何解决这个样本量的问题呢？也许你可以尝试另一种方法，即计算样本量的软件

进行先验分析，估计所需的样本量，然后查看您的数据量是否大于估计的样本量。或者事后分析足以说服你目前的数据量能达到什么样的效果量和统计效果水平。

而GPOWER软件可以帮助我们解决一系列样本量的问题。所以为了帮助大家顺利解决这个问题，毕业证样本网认真整理了样本量估计的相关资料与大家分享！

本期内容主要从以下几个方面进行讲解分享：计算样本量的软件

1.介绍相关统计概念

二、GPOWER介绍和安装软件

三、使用GPOWER估计样本量

（一）H0与H1在进行任何研究时，都需要根据现有的理论和经验提前对研究结果进行预期的假设。这种假设被称为科学假设，在统计术语中被称为研究假设，并被记录下来H1。然而，在统计学中很难直接检验H1因此，需要建立相反的假设，称为虚无假设，或无差假设、零假设、原假设，记录为H0。

假设检验H0总是作为直接检验的假设，H1与H0对立，两者选一，所以H1有时也叫对立假设或备选假设。假设检验的问题是判断虚假假设H0是否正确决定接受或拒绝虚假假设H0。

（二）Ⅰ型错误和Ⅱ类型错误当原假设H0正确时，由于样品的随机性，拒绝了H0，犯弃真错误，又称第一类错误，Ⅰ型错误。概率为α(即假设检验的显著水平)，往往成为α型错误。

当原假设H0不正确时，但接受了H0，犯伪错误，又称第二类错误，Ⅱ类型错误。概率为β。

样品容量应进行良好的检验n在某些情况下，犯这两种错误的概率α和β尽可能小。

一般来说，研究需要多少样本？或者研究样本量已经存在，统计结果有多大概率(这个样本量值得研究吗)？这些问题可以通过功效分析来解决（PowerAnalysis）为了解决这个问题。然后进行功效分析，首先了解分析中涉及的四个统计：样本量（SampleSize）、效应值（EffectSize）、显着标准（Alpha）、统计功效（Power），知道三个可以推断另一个。

(三)统计效果(检验效果，效果，Power）

统计效果是指检验能够正确拒绝错误虚假设的能力。1-β表示。

统计效果的大小取决于四个条件：

1.两总体差异。当两者之间的差异越大或处理效果越大时，假设检验的统计效果越大（在α错误概率不变，1-β变大）

2.显着性标准α：又称显著水平，是一个特定的值，一个决策标准。p与α比较决策，做出统计决策。

而当假设H0在现实时期，观察到的差异完全由随机误差引起的概率称为观察概率p。

显着性标准α越大，则β错误越小，统计效果越好1-β越大；相反，α变小，1-β变小

3.检验方向：当两个总体差异确定时，对于相同的显著标准α，单侧检查的统计效果大于双侧检查。

4.样品容量。样品容量越大，样品平均分布的标准误差越小，分布曲线越薄，统计效果越大。

(4)效应量(效应大小，EffectSize）

反映处理效果大小的效应量。效应量表示两个整体分布的重叠。EffectSize两个整体重叠程度越小，效果越明显。事实上，两个样本平均值的差异本身就是一个效应量。EffectSize大小，可由专门的表格中查出两样本分布的重叠的百分比。因此，效应量通常以两个整体重叠程度为指标。重叠部分的百分比越大，效应量越小。或者以两个样本的不重叠程度为指标，不重叠部分的百分比越大，效应量越大。效应值是量化现象强度的值，在不同的统计方法中会有所不同。

对于一些朋友来说，上面的统计概念可能有点抽象，下面的文凭样本网络推荐一个网站()，在这个网站上，我们可以可视化地理解每个概念之间的关系。这种可视化是基于一个单一的样本Z检查。为了观察抽样分布的变化，您可以使用滑块来改变样本量、功率、显著水平和效应大小。如下图所示(左-双尾；右-单尾）：

G*power该软件是由德国杜塞尔多夫大学几位愿意分享知识的教师开发的免费统计软件，专门用于计算统计效果（包括样本量），在心理学领域享有很高的声誉和认可度。

在官网即可下载软件，网址为：

(安装后图表见右图)

下图为软件主界面(统计方法可根据红框内的实验设计选择；功效分析类型可根据分析目的选择在黄框内):

其中，Gpower最常见的统计分析(poweranalysis)类型包括以下类型：

1.先验(priori)分析：根据给定α水平，统计水平(1-β)和效应大小(H0和H1样本容量的计算；

2.事后(post-hoc)分析：根据N，α，得出效果的大小β；

3.折中(compromise)分析：想要更小的α和较大的1-β，所以α和β权重之间q=β/α说，所以知道N，q和具体的得出效果的大小α和β。

4.标准（Criterion）分析：根据1-β、effectsize和N计算a以及相关的决策标准。

5.敏感性（Sensitivity）分析：根据α、1-β和N计算effectsize。

三、使用GPOWER估计样本量G.Power功能强大，即可计算事后统计检验力(事后分析)，也可估计事前样本量(先验分析)。

基本步骤如下：

1、统计方法的选择：（Exact—Fisher\\Ftest—方差分析\ test差异性t检验\\X2test—卡方检验\\Ztest—非参数检验)

2、进一步选择分类：t检验为例）

3、确定想得到的参数：

①APriori：在研究设计时，我想知道所需的样本量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)

④Posthoc：计算研究结果的检验效率（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、设置各参数：

Tail:one—单尾；two—双尾。一般选择后者；

Effectsize：效应量，t在检验中，使用Cohen(1988)计算方法，小=0.2、中=0.5、大=0.8，不知如何填时，选0.5；

aerrprob：一般为0.05、0.01；

Power：检验效能，0.8以上可以；

Allocationratio:2组样本量n比值

5、最后点击Calculate:

所需样本量在结果中给出。在这种情况下，结果表明效果得到了保证0.5在(中)的前提下，设置a=0.05检验效率为0.8每组至少需要64个样本。

以上是本期分享的主要内容，希望能帮助您顺利解决当前的痛苦~

下一期毕业证样本网将详细讲解如何使用各种统计方法GPOWER估计样本量。

记得关注momo老师，得到更多精彩的内容~找到15446928计算样本量的原始软件设计图片，包括计算样本量的软件图片、材料、海报、证书背景和源文件PSD、PNG、JPG、AI、CDR等格式素材！