Libre Sukat ng Sample at Pagsusuri ng Lakas Calculator para sa mga Mananaliksik

Calculator ng Pagsusuri ng Lakas para sa mga Pag-aaral sa Pananaliksik

Ginagamit ang power analysis upang tantyahin ang minimum na laki ng sample na kinakailangan upang matukoy ang isang makabuluhang epekto sa istatistika habang kinokontrol ang probabilidad ng mga error na Type I at Type II. Nangyayari ang isang Type I error (false positive) kapag ang isang pag-aaral ay maling nagtapos na mayroong epekto; nangyayari ang isang Type II error (false negative) kapag hindi nakuha ang isang tunay na epekto. Karamihan sa mga biomedical at klinikal na pag-aaral ay nagta-target ng 80% na power (1-β = 0.80) sa antas ng kahalagahan na α = 0.05.

Gamit ang power analysis calculator na ito, tinutukoy ng mga mananaliksik ang inaasahang laki ng epekto, antas ng kahalagahan, ninanais na kapangyarihan, at disenyo ng pag-aaral. Pagkatapos ay ibabalik ng calculator ang kinakailangang laki ng sample. Tinitiyak ng pagpapatakbo ng power analysis bago ang pagkolekta ng datos na ang isang pag-aaral ay hindi kulang sa lakas — na nanganganib sa isang maling negatibo — o hindi rin labis na malaki, na nagsasayang ng mga mapagkukunan at nagtataas ng mga etikal na alalahanin tungkol sa hindi kinakailangang pangangalap ng kalahok.

Ang mga laki ng epekto ay maaaring makuha mula sa datos ng piloto, mga nailathalang literatura, o ang pinakamababang klinikal na mahalagang pagkakaiba. Ang mga kumbensyon ni Cohen (maliit: d = 0.2, katamtaman: d = 0.5, malaki: d = 0.8 para sa mga t-test; f = 0.10/0.25/0.40 para sa ANOVA) ay nagbibigay ng panimulang punto kapag walang naunang datos na umiiral.

Calculator ng Laki ng Sample para sa mga Klinikal na Pagsubok

Ang mga klinikal na pagsubok ay nangangailangan ng mahigpit na pagkalkula ng laki ng sample bago magsimula ang recruitment. Ang mga pagsubok na kulang sa lakas ay maaaring mabigong matukoy ang mga tunay na pagkakaiba sa paggamot, habang ang mga malalaking pagsubok ay naglalantad sa mas maraming kalahok sa mga kondisyon ng eksperimento kaysa sa kinakailangan. Ang mga komite sa etika at mga grant bodies ay nangangailangan ng malinaw na makatwirang pagkalkula ng laki ng sample bilang bahagi ng pag-apruba ng protocol.

Sinusuportahan ng calculator na ito ang tatlong pangunahing disenyo ng klinikal na pagsubok. Sinusubukan ng mga pagsubok sa superiority kung ang isang bagong paggamot ay mas mahusay kaysa sa isang kontrol; ang mga kinakailangang input ay ang inaasahang mean difference, standard deviation, antas ng kahalagahan, at ninanais na power. Sinusubukan ng mga pagsubok na hindi inferiority kung ang isang bagong paggamot ay hindi katanggap-tanggap na mas masahol kaysa sa isang itinatag na pamantayan; ang pangunahing karagdagang parameter ay ang non-inferiority margin. Sinusubukan ng mga pagsubok sa equivalence kung ang dalawang paggamot ay nagbubunga ng parehong epekto sa loob ng isang tinukoy na hangganan.

Para sa mga klinikal na pagsubok na nakabatay sa kaligtasan, ginagamit ng calculator ang pormula ng log-rank test, na nangangailangan ng inaasahang hazard ratio, event rate, at tagal ng follow-up.

Kalkulador ng Laki ng Sample ng Paglaganap

Ang pagkalkula ng laki ng sample batay sa prevalence ay ginagamit sa mga cross-sectional at epidemiological na pag-aaral kung saan ang pangunahing layunin ay tantyahin ang proporsyon ng isang populasyon na may isang partikular na kondisyon, pagkakalantad, o katangian. Hindi tulad ng mga comparative studies, ang mga disenyong ito ay hindi sumusubok sa isang hypothesis sa pagitan ng mga grupo — sa halip, tinatantya nila ang isang parameter ng populasyon na may tinukoy na antas ng katumpakan.

Ang kinakailangang laki ng sample para sa isang pag-aaral ng prevalence ay nakadepende sa inaasahang prevalence (p), ang katanggap-tanggap na margin of error (d), at ang antas ng kumpiyansa (karaniwang 95%, na katumbas ng Z = 1.96). Kapag ang populasyon ng pag-aaral ay may hangganan at medyo maliit, ang isang may hangganang population correction factor ay nagbabawas sa kinakailangang laki ng sample.

Gamit ang opsyong Single Proportion sa calculator, maaaring direktang imodelo ng mga mananaliksik ang mga pag-aaral sa prevalence. Isang karaniwang halimbawa: ang pagtantya sa prevalence ng hypertension sa isang urban clinic na may inaasahang prevalence na 30%, margin of error na 5%, at 95% confidence ay nangangailangan ng humigit-kumulang 323 kalahok bago isama ang non-responding survey.

Calculator ng Laki ng Sample para sa mga T-Test

Ang pagkalkula ng laki ng sample na T-test ay nalalapat kapag naghahambing ng mga mean sa pagitan ng isang grupo at isang reference value, dalawang independent group, o mga paired measurement sa parehong paksa. Ang tatlong disenyo ng t-test — one-sample, two-sample (independent), at paired — ay magkakaiba sa kanilang mga input parameter at interpretasyon ng output ng laki ng sample.

Para sa isang two-sample t-test, ang kinakailangang laki ng sample bawat grupo ay nakadepende sa inaasahang mean difference sa pagitan ng mga grupo, ang pooled standard deviation, significance level, power, at test direction. Para sa isang paired t-test, ang pangunahing parameter ay ang mean difference sa pagitan ng mga paired measurement at ang standard deviation nito — karaniwang mas maliit kaysa sa between-subjects standard deviation, kaya naman ang mga paired design ay statistically efficient.

Calculator ng Laki ng Sample para sa ANOVA

Ang pagkalkula ng laki ng sample ng ANOVA ay ginagamit kapag ang isang pag-aaral ay naghahambing ng mga mean sa tatlo o higit pang mga grupo nang sabay-sabay. Sa halip na magpatakbo ng maraming t-test — na nagpapataas sa Type I error rate — sinusubok ng ANOVA ang pangkalahatang null hypothesis na ang lahat ng group mean ay pantay sa isang pagsusuri lamang.

Ang pangunahing parametro ay ang f ni Cohen, ang sukat ng laki ng epekto para sa ANOVA. Maliit: f = 0.10; katamtaman: f = 0.25; malaki: f = 0.40. Ibinabalik ng calculator ang kabuuang laki ng sample na kinakailangan at ang breakdown ng bawat grupo.

Calculator ng Laki ng Sample para sa mga Pagsusulit na Chi-Square

Ang pagkalkula ng laki ng sample na chi-square ay ginagamit sa mga pag-aaral na kinasasangkutan ng mga kategoryang kinalabasan — halimbawa, paghahambing ng mga rate ng tugon, mga rate ng komplikasyon, o paglaganap ng sakit sa pagitan ng dalawang grupo. Para sa isang two-proportion chi-square test, ang mga kinakailangang input ay ang inaasahang mga proporsyon sa bawat grupo, ang antas ng kahalagahan, at ang nais na power.

Mga kumbensiyon ni Cohen na "w": maliit = 0.10, katamtaman = 0.30, malaki = 0.50. Isang praktikal na halimbawa: ang paghahambing ng mga adverse event rates na 15% vs 8% sa 80% power at α = 0.05 ay nangangailangan ng humigit-kumulang 300 kalahok bawat grupo bago ang pagsasaayos ng dropout.