Analisis Kuasa Dipermudahkan: Panduan Kalkulator Saiz Sampel

Diterbitkan 20 Jun 2026 | Kemas kini terakhir 10 Ogos 2026

Kajian yang tidak menemui apa-apa tidak secara automatiknya gagal, dan kajian yang menemui sesuatu tidak secara automatiknya benar. Apa yang membezakan hasil nol yang boleh dipercayai daripada hasil yang sia-sia, dan penemuan sebenar daripada nilai-p yang bertuah, biasanya bergantung kepada pengiraan yang dijalankan oleh kebanyakan penyelidik sebelum mereka mengumpul satu titik data. Analisis kuasa menjawab satu soalan khusus. Memandangkan kesan terkecil yang perlu diberi perhatian, berapa ramai peserta, sampel atau pemerhatian yang diperlukan oleh sesuatu kajian untuk mempunyai peluang yang baik untuk mengesannya? Langkau pengiraan itu dan kajian boleh menjadi terlalu kecil untuk menemui kesan yang benar-benar wujud, atau, kurang kerap, lebih besar daripada yang sepatutnya, menghabiskan bajet dan masa peserta tanpa keuntungan sebenar.

Lembaga etika, pengulas jurnal dan panel geran semuanya meminta nombor ini sekarang, dan atas sebab yang baik. Percubaan yang diterbitkan selama beberapa dekad diteruskan dengan saiz sampel yang dipilih mengikut tabiat, bajet atau tekaan dan bukannya melalui pengiraan, dan literatur penyelidikan mengenai corak tersebut tidaklah begitu memuaskan. Panduan ini menerangkan empat nombor yang menjadi asas analisis kuasa, berfungsi melalui pengiraan penuh dengan aritmetik sebenar, merangkumi analisis kuasa untuk empat reka bentuk yang paling kerap digunakan oleh penyelidik dan menunjukkan di mana kajian paling kerap membuat kesilapan matematik.

Dalam Perkataan Mudah

Analisis kuasa ialah aritmetik yang anda lakukan sebelum kajian bermula, bukan selepas ia tamat. Ia menjawab satu soalan praktikal. Berapa ramai orang, haiwan atau sampel yang anda perlukan supaya jika kesan sebenar wujud, kajian itu sebenarnya mempunyai peluang yang baik untuk mengesannya? Pengiraan memerlukan empat bahan yang berfungsi bersama. Seberapa besar kesan itu penting bagi anda, berapa banyak risiko penggera palsu yang akan anda terima, sejauh mana anda ingin mengesan kesan sebenar dengan andal dan saiz sampel yang menjadikan tiga nombor lain konsisten antara satu sama lain. Lakukan ini dengan betul dan hasil nol bermakna sesuatu. Langkau dan hasil nol mungkin bermakna kajian itu tidak pernah mempunyai peluang yang adil.

Apa yang Sebenarnya Diputuskan oleh Analisis Kuasa

Setiap ujian hipotesis membawa dua cara untuk membuat kesilapan. Sesuatu kajian boleh menolak hipotesis nol yang benar, penggera palsu yang dipanggil ahli statistik sebagai ralat Jenis I, atau ia boleh gagal menolak hipotesis nol palsu, kesilapan yang dipanggil ralat Jenis II. Alpha ialah risiko ralat Jenis I yang penyelidik setuju untuk terima, hampir selalu ditetapkan pada 0.05. Kuasa melihat ujian yang sama dari sudut yang bertentangan. Kuasa bersamaan dengan satu tolak beta, di mana beta ialah kadar ralat Jenis II, dan ia memberitahu anda kebarangkalian mengesan kesan yang benar-benar ada dengan betul.

Keputusan Ujian	Hipotesis Nol Sebenarnya Benar	Hipotesis Nol Sebenarnya Palsu
Tolak yang nol	Ralat Jenis I, kadar = α (biasanya 0.05)	Pengesanan yang betul, kadar = kuasa = 1 − β
Gagal menolak nol	Ketidak-pengesanan yang betul, kadar = 1 − α	Ralat Jenis II, kadar = β

Saiz sampel ialah tuas yang menghubungkan semuanya. Dengan mengekalkan saiz kesan dan pemalar alfa, sampel yang lebih besar akan meningkatkan kuasa, kerana lebih banyak data menyempitkan hingar di sekitar anggaran dan menjadikan perbezaan sebenar lebih mudah untuk diasingkan daripada kebetulan. Analisis kuasa mengendalikan hubungan tersebut secara ke belakang, bermula daripada kuasa dan saiz kesan yang dikehendaki oleh penyelidik dan menyelesaikan saiz sampel yang membawa mereka ke sana.

Empat Nombor Di Sebalik Analisis Kuasa

Empat kuantiti menentukan antara satu sama lain dalam analisis kuasa, dan menetapkan sebarang tiga pin di bawah pin keempat. Saiz kesan menerangkan betapa besarnya perbezaan atau perkaitan dikira sebagai bermakna, dinyatakan pada skala piawai supaya ia boleh dibandingkan merentasi hasil dan kajian. Alpha menetapkan toleransi untuk positif palsu, hampir selalu 0.05 dalam penyelidikan gunaan, kadangkala diketatkan kepada 0.01 apabila penggera palsu akan mahal atau berbahaya. Kuasa menetapkan toleransi untuk terlepas kesan sebenar, secara konvensional 0.80 dan semakin 0.90 untuk kerja pengesahan atau berisiko tinggi. Saiz sampel akan berkurangan sebaik sahaja tiga yang lain ditetapkan.

Lapan puluh peratus menjadi sasaran kuasa konvensional sebahagian besarnya disebabkan oleh karya berpengaruh Jacob Cohen mengenai saiz kesan dan saiz sampel, dan ia masih muncul sebagai lalai dalam kebanyakan panduan jurnal dan pemberi dana. Semakin ramai ahli metodologi kini berhujah untuk 90% sebaliknya, memandangkan betapa kerapnya kesan sebenar ternyata lebih kecil daripada yang diharapkan oleh penyelidik pada mulanya.

Cohen juga mencadangkan nilai penanda aras untuk kesan kecil, sederhana dan besar, dan penyelidik merentasi psikologi, perubatan dan epidemiologi masih mencapainya apabila tiada anggaran yang lebih baik daripada data terdahulu. Ini adalah konvensyen, bukan hukum alam. Kajian rintis atau saiz kesan yang diterbitkan daripada penyelidikan yang berkait rapat mengatasi tekaan generik setiap masa.

ujian	Ukuran Saiz Kesan	kecil	sederhana	besar
Perbandingan dua kumpulan	Cohen's d	0.2	0.5	0.8
Perkaitan antara dua pembolehubah berterusan	Korelasi r	0.1	0.3	0.5
Membandingkan tiga atau lebih min kumpulan	Cohen's f	0.10	0.25	0.40
Regresi berganda	F² Cohen	0.02	0.15	0.35
Persatuan kategori	Cohen's w	0.10	0.30	0.50

Memilih baris yang salah pada jadual itu adalah salah satu cara yang paling biasa menyebabkan analisis kuasa menjadi salah. Kesan sederhana dalam satu medan boleh menjadi optimistik atau pesimis dalam medan lain, dan memilih "sederhana" secara lalai tanpa menyemak sama ada ia sepadan dengan apa yang sebenarnya ditemui oleh kajian serupa adalah tekaan yang direka bentuk sebagai pengiraan. Memahami bagaimana alfa dan kepentingan statistik berkaitan antara satu sama lain adalah wajar untuk dikaji semula sebelum memasukkan nombor-nombor ini, kerana kedua-dua keputusan berinteraksi.

Kajian Kurang Berkuasa Bukan Masalah Hipotesis

Akibat melangkau langkah ini didokumenkan, bukan secara teori. Pemeriksaan semula terhadap 71 ujian klinikal yang telah diterbitkan sebagai negatif mendapati bahawa 67 daripadanya, 94% daripada sampel, membawa lebih daripada 10% risiko terlepas peningkatan rawatan 25% yang sebenar, hanya kerana mereka tidak pernah mendaftarkan pesakit yang mencukupi untuk melihatnya. Lima puluh daripada 71 ujian yang sama, 70%, mungkin terlepas peningkatan sebesar 50% (Freiman et al., 1978, New England Journal of Medicine ).

Analisis susulan oleh Moher, Dulberg dan Wells telah meneliti 383 percubaan yang diterbitkan dalam JAMA , The Lancet dan New England Journal of Medicine sepanjang tahun 1975, 1980, 1985 dan 1990. Antara 70 percubaan dua kumpulan negatif dengan data hasil yang boleh digunakan, hanya 16% mempunyai kuasa statistik untuk mengesan perbezaan relatif 25% dan hanya 36% dapat mengesan perbezaan relatif 50%, angka yang hampir tidak berubah sepanjang lima belas tahun penerbitan. Pelaporan telah bertambah baik sepanjang tempoh tersebut. Pengiraan saiz sampel berubah daripada muncul dalam 0% kertas kerja ini pada tahun 1975 kepada 43% menjelang tahun 1990, satu kemajuan sebenar, walaupun 43% masih bermakna kebanyakan percubaan dengan keputusan negatif tidak menunjukkan hasil kerja mereka (Moher et al., 1994, JAMA ).

Penemuan Utama: Corak ini tidak terhad kepada ujian klinikal atau abad kedua puluh. Satu analisis yang dipetik secara meluas mendapati bahawa kuasa statistik purata kajian neurosains adalah cukup rendah untuk meningkatkan saiz kesan yang diterbitkan dan mengurangkan kekerapan hasil direplikasi (Button et al., 2013, Alam Ulasan Neurosains). Audit percubaan ortopedik pada tahun 2021 mencapai kesimpulan yang serupa dua dekad selepas masalah yang sama pertama kali ditandai dalam pengkhususan tersebut, menggambarkan kuasa yang tidak mencukupi sebagai sebab asas penemuan yang diterbitkan gagal bertahan di bawah replikasi (Reito et al., 2021, Ulasan JBJS).

Sepanjang empat dekad meta-kajian, kegagalan yang sama terus muncul semula. Kajian dibina berdasarkan saiz sampel yang dibenarkan oleh bajet atau tempoh pengambilan pekerja, kemudian dianalisis seolah-olah nombor itu telah dipilih untuk mengesan kesan tertentu yang telah dinyatakan terlebih dahulu. Biasanya tidak. Reka bentuk dan analisis percubaan terkawal rawak bergantung pada mendapatkan bahagian ini tepat sebelum seorang peserta didaftarkan, kerana percubaan tidak dapat diselamatkan secara statistik sebaik sahaja ia sudah kurang berkuasa dan sedang dijalankan.

Memilih Cara Menjalankan Analisis Kuasa Anda

Tiga laluan praktikal membawa kepada saiz sampel, dan laluan yang betul bergantung pada piawaian reka bentuk tersebut. Bagi reka bentuk buku teks, perbandingan dua kumpulan, ANOVA sehala, korelasi, regresi piawai, formula bentuk tertutup wujud dan perisian percuma mengaplikasikannya serta-merta. G*Power, dibina oleh pasukan di Universiti Heinrich Heine Düsseldorf dan didokumenkan dalam kertas kaedah yang dipetik secara meluas, merangkumi kebanyakan ujian ini melalui antara muka tunjuk dan klik dan kekal sebagai pilihan percuma yang paling kerap disyorkan dalam kursus kaedah dan panduan jurnal (Faul et al., 2007, Kaedah Penyelidikan PerilakuPengguna R mendapat pengiraan yang setara melalui pwr pakej, yang mencerminkan output G*Power dan muat secara semula jadi ke dalam skrip analisis yang boleh dihasilkan semula.

Petua Pro: Jalankan pengiraan dalam kedua-dua arah sebelum memuktamadkan protokol. Tentukan saiz sampel yang diperlukan pada kuasa sasaran anda, kemudian balikkannya dan selesaikan kuasa yang sebenarnya akan anda peroleh pada saiz sampel yang dibenarkan oleh bajet atau tetingkap pengambilan pekerja anda secara realistik. Jurang antara kedua-dua nombor adalah penting untuk diketahui sebelum pengumpulan data bermula, bukan selepasnya.

Formula dan G*Power kedua-duanya menganggap versi reka bentuk yang agak standard. Sebaik sahaja kajian melibatkan pengelompokan, pesakit yang bersarang dalam klinik contohnya, pengukuran berulang pada orang yang sama, data yang hilang yang dirancang atau model bukan standard seperti kesan campuran atau analisis Bayesian, formula bentuk tertutup tidak lagi boleh dipercayai dan simulasi menjadi pilihan yang lebih selamat. Analisis kuasa berasaskan simulasi menjana beribu-ribu set data sintetik di bawah saiz kesan dan model analisis yang diandaikan, menjalankan ujian statistik yang dirancang sebenar pada setiap satu dan melaporkan perkadaran larian yang mencapai keertian. Menyediakannya mengambil masa lebih lama daripada menaip nombor ke dalam G*Power, tetapi ia mengendalikan kerumitan yang tidak dapat dilakukan oleh formula bentuk tertutup.

Analisis Kuasa untuk Empat Reka Bentuk yang Anda Akan Laksanakan

Berikut adalah empat reka bentuk yang merangkumi kebanyakan penyelidikan gunaan, dengan logik formula di sebalik setiap satu dan contoh pengiraan sebenar pada saiz kesan sederhana, alfa 0.05 dan kuasa 80%. Setiap angka di bawah datang daripada perisian statistik yang sama yang digunakan oleh penyelidik untuk protokol mereka sendiri, bukan daripada peraturan praktikal.

Dua Kumpulan Bebas (ujian-t)

Membandingkan min antara dua kumpulan bebas, kumpulan rawatan dengan kumpulan kawalan, atau kumpulan terdedah dengan kumpulan yang tidak terdedah, ialah reka bentuk yang paling kerap digunakan dalam perbincangan saiz sampel. Kuasa di sini bergantung pada d Cohen, perbezaan antara min kumpulan yang dinyatakan dalam unit sisihan piawai. Regresi logistik mengendalikan perbandingan dua kumpulan yang serupa apabila hasilnya adalah binari dan bukannya berterusan , menggunakan pengiraan berkaitan tetapi berbeza yang diliputi lebih lanjut di bawah.

ANOVA Sehala (Min Tiga atau Lebih Kumpulan)

Sebaik sahaja perbandingan melebihi dua kumpulan, ANOVA menggantikan ujian-t dan saiz kesan beralih kepada f Cohen, yang meringkaskan sejauh mana penyebaran min kumpulan adalah relatif kepada kebolehubahan dalam setiap kumpulan. Reka bentuk yang menambah pengelompokan di atas berbilang kumpulan, seperti percubaan yang mengawak klinik dan bukannya pesakit individu , memerlukan pelarasan selanjutnya yang dipanggil kesan reka bentuk, yang meningkatkan saiz sampel yang diperlukan untuk mengambil kira pesakit dalam kelompok yang sama yang lebih menyerupai satu sama lain berbanding pesakit dalam kelompok yang berbeza.

Korelasi (Perkaitan Antara Dua Pembolehubah Berterusan)

Menguji sama ada dua pembolehubah berterusan bergerak bersama, tekanan darah dan umur, atau skor soal selidik dan ukuran hasil, menggunakan r Pearson secara langsung sebagai saiz kesan. Memilih ujian yang betul pada mulanya adalah lebih penting di sini daripada yang disangka, kerana hubungan yang kelihatan linear dalam teori tetapi tidak dalam data sebenar memerlukan pendekatan bukan parametrik yang berbeza, selalunya kurang berkuasa.

Regresi Berganda (Menguji Peramal Hasil)

Model regresi yang menguji beberapa peramal sekaligus, atau satu peramal semasa melaraskan kovariat, menggunakan f² Cohen, nisbah yang membandingkan varians yang dijelaskan oleh peramal yang diminati terhadap varians yang tinggal. Regresi multivariat dalam penyelidikan klinikal biasanya memerlukan lebih ramai peserta daripada perbandingan dua kumpulan mudah sebaik sahaja beberapa kovariat memasuki model, dan regresi logistik untuk hasil binari membawa peraturan tambahannya sendiri di atas pengiraan kuasa standard, yang sering dinyatakan sebagai kira-kira sepuluh peristiwa yang diperhatikan setiap pembolehubah peramal.

reka bentuk	Saiz Kesan Sederhana	Saiz Sampel yang Diperlukan
Dua kumpulan bebas (ujian-t)	d = 0.5	64 setiap kumpulan (N = 128)
ANOVA sehala, 3 kumpulan	f = 0.25	53 setiap kumpulan (N = 159)
Korelasi (Pearson r)	r = 0.3	N = 85
Regresi berganda, 5 peramal	f² = 0.15	N = 92
Khi kuasa dua, jadual 2×2	w = 0.3	N = 88

Semua angka dikira pada α = 0.05, dua sisi, dan kuasa 80%, menggunakan R stats dan pwr pakej, yang sepadan dengan output G*Power untuk input yang sama.

Contoh Berfungsi Yang Boleh Anda Guna Semula

Berikut ialah pengiraan penuh di sebalik baris pertama jadual itu, yang dikerjakan dengan tangan supaya logiknya kelihatan dan bukannya tersembunyi di dalam perisian.

Bayangkan percubaan dua cabang yang membandingkan intervensi baharu dengan penjagaan standard pada hasil yang berterusan. Berdasarkan literatur terdahulu, perbezaan piawai Cohen's d = 0.5 adalah kesan terkecil yang perlu dikesan, kesan sederhana konvensional. Alpha ditetapkan pada 0.05 dua sisi, ambang piawai, dengan kuasa 80%, peluang 80% untuk mengesan kesan tersebut jika ia benar-benar wujud.

Formula penghampiran normal untuk perbandingan dua kumpulan ialah n setiap kumpulan bersamaan dengan 2 darab kuasa dua bagi (z untuk alfa per 2, tambah z untuk kuasa dua), dibahagikan dengan d kuasa dua. Nilai piawai ialah 1.96 untuk z pada 0.025 dan 0.84 untuk z pada kuasa 80%.

n setiap kumpulan = 2 × (1.96 + 0.84)² ÷ 0.5²
    = 2 × (2.80)² ÷ 0.25
    = 2 × 7.84 ÷ 0.25
    = 15.68 ÷ 0.25
    = 62.8, dibundarkan kepada 63 peserta setiap kumpulan

Penghampiran normal itu hampir, tetapi ia bukanlah apa yang dikira oleh G*Power atau R. Kedua-duanya menggunakan taburan-t bukan pusat yang tepat dan bukannya pintasan di atas, yang sedikit lebih konservatif. Menjalankan input yang sama, d = 0.5, alpha = 0.05 dua sisi, kuasa 80%, melalui R power.t.test Fungsi mengembalikan 63.8 setiap kumpulan, membundarkan ke atas kepada 64 peserta setiap kumpulan, 128 orang kesemuanya, nombor yang sebenarnya akan dilaporkan oleh bahagian kaedah dan angka yang sama yang dihasilkan oleh G*Power untuk reka bentuk ini.

Jurang antara jawapan anggaran dan tepat adalah penting atas satu sebab. Mempercayai jalan pintas kasar dan bukannya kaedah tepat yang sebenarnya digunakan oleh perisian adalah sejenis kekurangan kecil yang bertambah buruk. Hanya rekrut 40 peserta setiap kumpulan dan bukannya 64, kekurangan yang boleh kelihatan kecil pada hamparan bajet, dan mencapai kuasa untuk kesan d = 0.5 yang sama jatuh kepada hampir 60%, bukan 80% yang direka bentuk untuk kajian ini. Itu hampir seperti lambungan syiling kerana terlepas kesan sebenar dan sederhana sepenuhnya, dan ia adalah corak kekurangan yang didokumenkan oleh Freiman dan Moher sepanjang beberapa dekad percubaan yang diterbitkan.

Saiz Sampel Setiap Kumpulan	Kuasa yang Dicapai (d = 0.5, α = 0.05)
40	59.8%
64	80.2%
86	90.0%

Untuk reka bentuk yang sepadan dengan salah satu baris dalam jadual terdahulu, kalkulator saiz sampel percuma Editverse menjalankan matematik yang tepat ini tanpa memerlukan R atau G*Power dipasang secara setempat, dan panduan langkah demi langkah untuk menggunakannya menerangkan setiap medan input.

Kesilapan Yang Secara Senyap Memecahkan Analisis Kuasa

Mengira kuasa pasca-hoc daripada hasil anda sendiri. Kuasa yang dikira selepas fakta daripada nilai-p kajian itu sendiri secara matematik hanyalah versi skala semula bagi nilai-p tersebut. Ia tidak menambah maklumat sebenar dan kebanyakan ahli metodologi menasihatkan agar tidak melaporkannya.
Meneka saiz kesan tanpa data rintis atau asas literatur. Mengubah tetapan lalai kepada "sederhana" kerana kedengarannya munasabah akan mengubah pengiraan menjadi tekaan apabila memakai kot makmal.
Mengabaikan jangkaan keciciran atau data yang hilang. Analisis kuasa memberikan saiz sampel yang dianalisis yang diperlukan, bukan yang didaftarkan. Geseran yang dijangkakan perlu ditambah di atas nombor yang dikira, bukan dilipat ke dalamnya selepas fakta.
Tidak melaraskan untuk pengelompokan, ukuran berulang atau berbilang perbandingan. Setiap satu daripada ini mengubah saiz sampel berkesan atau alfa yang sebenarnya dibelanjakan, dan melangkau pelarasan secara senyap-senyap menghakis kuasa yang dipercayai oleh kajian itu.
Melayan analisis kuasa sebagai satu kotak yang perlu ditanda sekali untuk jawatankuasa etika. Menambah lengan, mengubah hasil utama atau menyemak semula pelan analisis di pertengahan kajian sepatutnya mencetuskan pengiraan baharu, dan langkah itu lebih kerap dilangkau daripada yang sepatutnya.
Mengelirukan kepentingan statistik dengan kepentingan praktikal. Sampel yang sangat besar boleh dikuasakan dengan baik untuk mengesan perbezaan yang terlalu kecil untuk dipertimbangkan secara klinikal atau praktikal, yang merupakan kegagalan reka bentuknya sendiri.

Menulis Analisis Kuasa Anda untuk Manuskrip atau Geran

Bahagian kaedah memerlukan maklumat yang mencukupi untuk pengulas atau ahli statistik panel geran untuk benar-benar menyemak analisis kuasa, bukan hanya mempercayai bahawa ia berlaku. Ini bermakna menjelaskan dari mana saiz kesan yang diandaikan datang, kajian rintis, meta-analisis yang diterbitkan atau perbezaan penting klinikal minimum yang dinyatakan, di samping sasaran alfa dan kuasa dan perisian atau formula tepat yang digunakan.

Nyatakan saiz kesan dan puncanya. “Kami menganggap kesan sederhana, d = 0.5, berdasarkan [kajian terdahulu]” boleh disemak. “Kami menganggap kesan yang munasabah” tidak boleh disemak.
Laporkan alfa dan kuasa secara eksplisit. Jangan biarkan pembaca membuat kesimpulan ini hanya berdasarkan nombor saiz sampel akhir sahaja.
Namakan perisian dan uji. G*Power, R's pwr package, PASS dan nQuery boleh menghasilkan nombor yang sedikit berbeza di tepinya, jadi penamaan alat tersebut membolehkan orang lain menghasilkan semula rajah tersebut.
Laporkan nombor akhir dengan jujur, termasuk sebarang inflasi untuk keciciran atau pengelompokan. Jika peserta yang mendaftar kurang daripada yang diperlukan dalam pengiraan, nyatakan dan bincangkan kuasa yang terhasil secara langsung dan bukannya membiarkannya disedari oleh pengulas.

Pengulas geran membaca bahagian ini dengan teliti atas sebab tertentu. Bahagian pendekatan statistik yang tidak selaras adalah salah satu sebab yang lebih biasa dan boleh dielakkan mengapa sesuatu cadangan mendapat skor yang lemah dari segi ketelitian, dan semakan cadangan geran yang berfokus pada pematuhan dapat mengesan jurang seperti itu jauh sebelum penyerahan dan bukannya membiarkannya kepada undian pengulas yang tidak bernasib baik.

Mendapatkan Bantuan Secara Langsung Dengan Analisis Kuasa Anda

Sesetengah analisis kuasa adalah rutin. Yang lain melibatkan pengelompokan, data yang hilang atau model yang cukup kompleks sehingga pengiraan templat tidak akan bertahan semasa semakan. Ahli statistik Editverse mengendalikan kedua-dua hujung julat tersebut.

Analisis Statistik Disertasi & Manuskrip

$600

Ahli statistik PhD mengendalikan analisis kuasa, justifikasi saiz sampel dan pelan analisis penuh dalam SPSS, R atau STATA.

Lihat Butiran →

Penyuntingan Cadangan Geran & Semakan Pematuhan

$1,190

Semakan bahawa analisis kuasa yang dinyatakan benar-benar sepadan dengan matlamat anda, pelan analisis anda dan keperluan pemberi dana anda sebelum anda mengemukakannya.

Lihat Butiran →

Soalan Lazim Mengenai Analisis Kuasa

Apakah saiz sampel yang saya perlukan untuk saiz kesan sederhana?

Ia bergantung pada reka bentuk, tetapi sebagai titik rujukan, mengesan kesan sederhana (Cohen's d = 0.5) antara dua kumpulan bebas pada kuasa 80% konvensional dan 0.05 alfa memerlukan 64 peserta setiap kumpulan, sejumlah 128. ANOVA sehala merentasi tiga kumpulan pada kesan sederhana yang setanding memerlukan kira-kira 53 setiap kumpulan. Kesan yang lebih besar memerlukan peserta yang jauh lebih sedikit, dan kesan yang lebih kecil memerlukan lebih banyak secara dramatik, itulah sebabnya meneka saiz kesan yang salah adalah satu kesilapan yang sangat mahal.

Patutkah saya menggunakan kuasa 80% atau 90%?

Lapan puluh peratus masih merupakan lalai dalam kebanyakan penyelidikan yang diterbitkan dan kebanyakan templat agensi pemberian, tetapi ia menerima satu dalam lima peluang untuk terlepas kesan sebenar. Percubaan pengesahan dan kajian pendaftaran semakin menetapkan kuasa 90%, yang meningkatkan saiz sampel yang diperlukan dengan ketara, kira-kira 30 hingga 40% lebih tinggi daripada pengiraan 80% yang setara untuk ujian-t dua kumpulan.

Apakah perbezaan antara kuasa a priori dan post-hoc?

Analisis kuasa a priori berlaku sebelum pengumpulan data dan menjawab soalan yang harus dijawab oleh reka bentuk kajian. Berapa besar sampel diperlukan untuk mengesan kesan tertentu. Kuasa post-hoc, atau diperhatikan, dikira selepas fakta daripada hasil kajian itu sendiri dan nilai-pnya sendiri, dan kebanyakan ahli metodologi menganggapnya hampir tidak bermaklumat, kerana secara matematik ia hanyalah transformasi nilai-p yang sedia ada dan bukannya bukti baharu tentang apa-apa.

Bolehkah saya menjalankan analisis kuasa untuk kajian yang telah saya selesaikan?

Hanya dengan cara yang terhad dan berpandangan ke belakang. Saiz sampel yang diperlukan untuk saiz kesan tertentu boleh dikira, yang berguna untuk merancang kajian susulan atau replikasi, tetapi pengiraan kuasa daripada kesan dan nilai-p yang telah diperhatikan tidak memberitahu pengulas apa-apa yang meyakinkan tentang kajian yang telah selesai.

Adakah analisis kuasa terpakai kepada penyelidikan kualitatif?

Tidak. Analisis kuasa ialah konsep statistik kerap yang dibina berdasarkan ujian hipotesis, nilai-p dan taburan persampelan, yang mana tiada satu pun yang terpakai pada kaedah kualitatif. Penyelidik kualitatif mewajarkan saiz sampel secara berbeza, biasanya melalui ketepuan tematik, iaitu titik di mana temu bual atau sumber data tambahan berhenti menghasilkan kod atau tema baharu.

Apakah saiz kesan yang perlu saya gunakan jika saya tiada data rintis?

Saiz kesan yang diterbitkan daripada kajian yang berkait rapat atau meta-analisis pada hasil yang sama sentiasa merupakan pilihan yang lebih baik berbanding tekaan generik. Apabila kedua-duanya tidak wujud, kesan medium konvensional Cohen merupakan sandaran yang boleh dipertahankan, tetapi bahagian kaedah harus menyatakan dengan jelas bahawa ia adalah konvensyen dan bukannya anggaran yang berasaskan populasi khusus kajian, kerana pengulas mungkin akan bertanya.

Bagaimanakah keciciran atau pergeseran mengubah pengiraan?

Analisis kuasa memberikan saiz sampel yang dianalisis yang diperlukan, bukan yang didaftarkan. Menjangkakan 15% peserta akan berhenti atau hilang daripada susulan bermakna membahagikan saiz sampel sasaran dengan 0.85 untuk mendapatkan sasaran pendaftaran. Satu kajian yang memerlukan 128 peserta yang dianalisis dengan jangkaan pergeseran sebanyak 15% sepatutnya mendaftar secara kira-kira 151 orang.

Adakah G*Power percuma?

Ya. G*Power adalah percuma, dibangunkan dan diselenggara oleh penyelidik di Universiti Heinrich Heine Düsseldorf, dan merangkumi ujian-t, ANOVA, korelasi, regresi, khi kuasa dua dan beberapa reka bentuk yang kurang biasa melalui aplikasi desktop yang boleh dimuat turun untuk Windows dan Mac.

Bagaimana jika reka bentuk saya tidak sepadan dengan formula standard?

Analisis kuasa berasaskan simulasi ialah jawapan standard untuk apa sahaja yang tidak dapat dikendalikan oleh formula bentuk tertutup dengan bersih, termasuk model kesan campuran, reka bentuk berkelompok atau berbilang peringkat dan analisis Bayesian. Ia mengambil masa yang lebih lama untuk disediakan berbanding G*Power tetapi berfungsi untuk pada dasarnya sebarang reka bentuk yang boleh dikodkan dan dianalisis dalam R atau persekitaran yang serupa.

Poin-poin utama

✓ Betulkan tiga saiz kesan, alfa, kuasa dan saiz sampel, dan analisis kuasa menyelesaikan masalah keempat
✓ 0.05 alfa dan kuasa 80% adalah titik permulaan konvensional, bukan peraturan tetap
✓ Percubaan yang diterbitkan selama beberapa dekad, daripada audit 1978 hingga analisis semula 2021, terus menemui masalah yang sama yang kurang memberangsangkan
✓ Reka bentuk standard meliputi pakej pwr G*Power dan R secara percuma; simulasi meliputi selebihnya
✓ Pengiraan yang telah diusahakan harus menunjukkan aritmetiknya, bukan hanya nombor akhirnya
✓ Tingkatkan sasaran pendaftaran untuk jangkaan keciciran sebelum mengunci pelan pengambilan pekerja
✓ Laporkan saiz kesan, sumbernya, alfa, kuasa dan perisian yang digunakan, setiap masa

Perlukah Analisis Kuasa Anda Disemak Sebelum Anda Menghantar?

Ahli statistik Editverse menyemak justifikasi saiz sampel, bahagian pendekatan geran dan pelan analisis penuh untuk penyelidik merentasi setiap bidang.

Dapatkan Sokongan Statistik
Perundingan Percuma

Sumber Editverse Berkaitan

→ Pahami Asas Memahami Kepentingan Statistik
→ Panduan Ujian Statistik: Membuat Pilihan Yang Tepat
→ Percubaan Terkawal Rawak (RCT): Reka Bentuk dan Analisis
→ Percubaan Rawak Kluster Induk & Pemodelan Pelbagai peringkat
→ Regresi Logistik dalam Diagnostik Perubatan
→ Regresi Berbilang Pembolehubah dalam Kajian Klinikal
→ Ujian Khi-Kuasa Dua Dipermudahkan
→ Mengelakkan Kesilapan Statistik Biasa dalam Kertas Penyelidikan
→ Cara Menggunakan Kalkulator Saiz Sampel Percuma Editverse

Rujukan

Freiman JA, Chalmers TC, Smith H Jr, Kuebler RR. Kepentingan beta, ralat jenis II dan saiz sampel dalam reka bentuk dan tafsiran percubaan kawalan rawak. Tinjauan 71 percubaan "negatif". N Engl J Med. 1978;299(13):690-694. https://pubmed.ncbi.nlm.nih.gov/355881/
Moher D, Dulberg CS, Wells GA. Kuasa statistik, saiz sampel dan pelaporannya dalam percubaan terkawal rawak. JAMA. 1994;272(2):122-124. https://pubmed.ncbi.nlm.nih.gov/8015121/
Button KS, Ioannidis JPA, Mokrysz C, dsb. Kegagalan kuasa: mengapa saiz sampel yang kecil menjejaskan kebolehpercayaan neurosains. Nat Rev Neurosci. 2013;14(5):365-376. https://pubmed.ncbi.nlm.nih.gov/23571845/
Faul F, Erdfelder E, Lang AG, Buchner A. G*Power 3: program analisis kuasa statistik yang fleksibel untuk sains sosial, tingkah laku dan bioperubatan. Kaedah Behav Res. 2007;39(2):175-191. https://pubmed.ncbi.nlm.nih.gov/17695343/
Reito A, Raittio L, Helminen O. Mengkaji Semula Saiz Sampel dan Kuasa Statistik Percubaan Terkawal Rawak dalam Ortopedik Selepas 2 Dekad. Pendeta JBJS. 2021; 9 (3). https://pubmed.ncbi.nlm.nih.gov/32224628/
Universiti Heinrich Heine Düsseldorf. G*Power: perisian analisis kuasa statistik. https://www.psychologie.hhu.de/arbeitsgruppen/allgemeine-psychologie-und-arbeitspsychologie/gpower
Champely S, dkk. pwr: Fungsi Asas untuk Analisis Kuasa. Rangkaian Arkib R Komprehensif. https://cran.r-project.org/package=pwr
Sekolah Kesihatan Awam Universiti Boston. Penentuan Kuasa dan Saiz Sampel. https://sphweb.bumc.bu.edu/otlt/mph-modules/bs/bs704_power/bs704_power_print.html