发布日期:|最后更新日期

Editverse 免费样本量计算器显示,单样本 t 检验所需的样本量为 71,并提供功效曲线、分布重叠和敏感性分析图表。
免费医学研究样本量计算器——计算临床试验和统计研究所需的参与者人数

Editverse样本量计算器是一款免费的在线功效分析工具,专为需要精确计算样本量而无需复杂软件或昂贵许可的医学研究人员、临床试验人员和学者而设计。无论您是计划开展随机对照试验、设计诊断研究还是准备科研基金申请,本指南都将引导您完成使用这款强大工具的每一步。

为什么要使用 Editverse 样本量计算器?

样本量计算是临床研究设计中最关键的步骤之一。样本量不足的研究会浪费资源,并且可能无法检测到有意义的治疗效果;而样本量过大的研究则会招募过多的受试者。Editverse 计算器通过提供经过验证的统计公式,并采用直观易用的界面,可在任何设备上使用,从而解决了这一难题。

在深入学习分步教程之前,我们先来了解一下这款计算器在众多功效分析工具中脱颖而出的原因。Editverse 样本量计算器提供 15 种统计检验方法,涵盖医学研究中最常见的各种研究设计,从基本的 t 检验到复杂的生存分析和 ROC 曲线计算,应有尽有。

主要特点一览: 支持 15 种统计检验,100% 免费,无需注册,交互式可视化功能包括功效曲线和分布重叠图,内置缺失值调整,并可生成可直接粘贴到稿件中的方法文本,方便发表。

该计算器使用与 G*Power 相同的经过验证的统计公式以及PubMed和Cochrane推荐的方法,确保您的样本量论证符合伦理委员会、拨款评审员和期刊编辑所期望的严格标准。

如何访问 Editverse 样本量计算器

入门非常简单。请访问https://editverse.com/free-sample-size-calculator-power-analysis-tool-for-researchers/进入计算器页面。该工具无需注册、下载或安装,即可在浏览器中即时加载。它可在台式电脑、平板电脑和移动设备上流畅运行,方便研究人员在各种环境下使用。

进入页面后,你会看到一个简洁的双栏界面:左侧是输入表单,用于输入研究参数;右侧是结果面板,显示计算出的样本量以及交互式可视化效果。

样本量计算器分步指南:选择统计检验

第一步也是最重要的一步是为您的研究设计选择合适的统计检验方法。该计算器将15种检验方法按直观的类别进行分类,以帮助您快速找到合适的方法。

比较经济状况调查

如果您的主要结果变量是连续变量,并且您正在比较不同组别,请从以下选项中选择:

双样本t检验(两组):当比较两个独立组之间的均值时,例如平行组随机试验中的治疗组与对照组,应选择此检验。这是临床研究中最常用的检验方法。例如,比较服用新型降压药的患者与服用安慰剂的患者的平均血压降低幅度。

配对t检验:适用于对同一受试者进行前后测量,例如测量同一患者在饮食干预前后的HbA1c水平。这种设计通常需要较小的样本量,因为每个受试者都作为自身的对照。

单样本 T 检验:用于将样本均值与已知的总体值或理论基准进行比较。

方差分析(3 个以上组):当同时比较三个或更多组的均值时,例如比较药物的三种不同给药方案,请选择方差分析。

比例检验

双比例检验(卡方检验):选择此项可比较组间二元结果,例如应答率、死亡率或不良事件发生率。对于结果变量为“是/否”、“成功/失败”或“事件/无事件”的研究,此检验至关重要。

单比例:用于估计或检验单个比例与假设值之间的关系。

临床试验设计

该计算器包含三种专门的临床试验设计方案,分别针对不同的研究问题:

优效性试验:旨在证明新疗法优于对照疗法的标准设计。

非劣效性试验:用于证明新疗法在临床上不劣于现有疗法的情况。这种试验设计需要设定非劣效性界值——即在临床上仍能被认为等效的最大可接受差异。

等效性试验:当您需要证明两种治疗方法在规定的范围内具有治疗等效性时,请选择此项。

💡专业提示: 非劣效性试验通常比优效性试验需要更大的样本量,因为必须高度确信地排除劣效性。因此,在制定研究预算时应相应地进行规划。

生存分析

对数秩检验(生存分析):对于总生存期、无进展生存期或疾病复发时间等事件发生时间结局至关重要。该检验利用风险比和事件概率来计算所需的患者数量和事件数量。

相关和回归

相关系数(皮尔逊/斯皮尔曼):用于研究两个连续变量之间的关系。

线性回归:当您需要对具有多个预测变量的连续结果进行建模,并希望根据预期的 R² 值确定样本量时。

逻辑回归:用于对具有多个预测变量的二元结果进行建模。

诊断研究

灵敏度/特异性:用于诊断测试验证研究,需要以所需的精度估计灵敏度和特异性。

ROC 曲线(AUC):当使用受试者工作特征曲线下的面积来比较诊断测试的鉴别能力时。

样本量计算统计参数:设置您的分析

选择检验方法后,您需要配置决定功效分析的核心统计参数。理解这些参数对于准确计算样本量至关重要。

显着性水平 (α)

显著性水平代表您对第一类错误的容忍度——即当实际上不存在某种效应时,得出存在该效应的结论的概率。该计算器提供三种选项:

α = 0.05 (5%):大多数医学研究的标准,并推荐用于大多数研究。

α = 0.01 (1%):更为严格,用于假阳性结果可能造成严重后果的情况。需要更大的样本量。

α = 0.10 (10%):较为宽松,有时用于探索性研究或试点研究。

统计功效 (1-β)

功效是指在存在真实效应的情况下检测到该效应的概率。它是第二类错误(β)的补集,第二类错误是指漏检真实效应的概率。

80% 功效:这是大多数临床研究的常规最低标准。这意味着您有 80% 的概率检测到真实的治疗效果。

90% 功效:推荐用于确凿的试验、监管申报和高风险研究,在这些研究中,未能检测到效果将造成严重后果。

70%、85%、95%:适用于特殊情况、试点研究,或当资源允许更高置信度时。

⚠️常见错误: 当您的资助机构或监管机构要求 90% 的统计功效时,请使用 80% 的统计功效。在最终确定样本量计算之前,务必与利益相关方确认统计功效要求。

检验类型(单尾检验 vs 双尾检验)

双尾检验:当治疗效果可能朝两个方向发展(优于或劣于对照组)时,应使用此检验。这适用于大多数临床试验,也是默认的保守选择。

单侧检验:仅当您有充分的先验证据表明效应只能朝一个方向发展,或者您明确只对检测改善感兴趣时才选择单侧检验。单侧检验需要较小的样本量,但更难从科学角度证明其合理性。

分配比率

分配比例决定了参与者在各组之间的分配方式:

1:1:治疗组和对照组人数相等。这是统计学上最有效的设计,推荐用于大多数研究。

2:1:治疗组和对照组的参与者比例为 2:1。当您需要更多关于实验治疗安全性的数据时,这种方法很有用。

3:1 或 1:2:特殊情况下的不均等分配,例如当对照治疗费用昂贵或对许多患者来说不道德时。

样本量计算器:输入测试特定参数

每项统计检验都需要特定的输入值。以下是如何确定最常用检验的这些参数。

双样本t检验参数

要比较两组均值,需要三个关键值:

预期均值(第 1 组):对照组或参考组的预期平均结果。该值应基于已发表的文献、初步数据或临床经验确定。

预期均值(第 2 组):治疗组的预期平均结果。第 1 组和第 2 组均值之差代表预期治疗效果。

标准差(合并):结果指标的预期变异性。该指标可来自既往研究、试点数据或已发表的常模值。

例如,在血压研究中,您可以指定:对照组平均值 = 140 mmHg,治疗组平均值 = 130 mmHg,标准差 = 20 mmHg。这表示干预后预期血压降低 10 mmHg。

效应量指南(Cohen's d): 小效应 = 0.2(细微但可能有意义),中等效应 = 0.5(中等程度,仔细观察可见),大效应 = 0.8(显著,明显差异)。大多数临床干预措施产生的效应为小到中等,因此应据此制定计划。

卡方(两比例)参数

要比较二元结果,请以百分比形式输入各组的预期比例。例如,如果您预期对照组的应答率为 30%,治疗组的应答率为 50%,则分别输入 30 和 50。

非劣效性试验参数

非劣效性设计需要额外的参数:

非劣效性界值 (Δ):临床上可接受的最大差异。例如,如果您正在测试一种新的抗生素,而标准疗法的治愈率为 90%,您可能会设定 10% 的非劣效性界值,这意味着如果新药的治愈率至少达到 80%,您就会接受它。

预期真实差异:您对不同治疗方案之间实际差异的最佳估计。通常出于样本量计算的目的,假设其为零(真正等效)。

生存分析(对数秩检验)参数

风险比:各组风险发生率的比值。风险比为 0.7 表示与对照组相比,治疗可使事件发生风险降低 30%。

事件概率:在研究期间发生该事件的参与者的预期比例。

ROC/AUC 参数

用于诊断测试研究:

预期AUC: ROC曲线下的预期面积。0.7-0.8的值表示可接受的区分度,而高于0.8的值表示极佳的区分度。

零 AUC:通常设置为 0.5,表示随机机会(无区分能力)。

辍学调整:应对现实世界中的人员流失

临床试验中,由于不良事件、失访、方案违规及其他因素,受试者脱落在所难免。Editverse 计算器内置脱落率调整功能,可确保您招募到足够的受试者,从而维持足够的统计效力。

默认的脱落率为 10%,这对于许多短期研究来说是合理的。但是,您应该根据以下因素进行调整:

研究时长:研究时间越长,通常辍学率越高。

疾病人群:严重或进行性疾病可能因病情恶化或死亡而导致更高的患者流失率。

治疗负担:需要频繁就诊或进行侵入性手术的复杂干预措施可能会导致较高的患者流失率。

历史数据:查阅已发表的类似试验,以获得更合理的脱落率估计值。

计算器会自动使用以下公式调整所需的样本量:调整后样本量 = 所需样本量 ÷ (1 – 脱落率)。例如,如果您每组需要 100 名参与者,并且预计脱落率为 20%,则每组应招募 125 名参与者。

解读样本量计算器结果

点击“计算样本量”后,结果会立即显示在屏幕右侧的青色面板中。以下是对各项内容的解读:

所需样本量:为达到您指定的统计功效和您选择的显著性水平,每组所需的参与者人数。

总参与者数:所有组别的样本总量。对于 1:1 分配的两组设计,这相当于每组所需样本量的两倍。

已根据辍学率调整:您的招生目标已考虑预期流失率。这是您应该努力招收的学生人数。

了解交互式图表

该计算器会生成三种可视化图表,帮助您理解和传达样本量计算结果:

功效曲线:此图表显示了统计功效如何随着样本量的增加而提高。x 轴表示每组的样本量,y 轴表示功效(以百分比表示)。您可以使用此图表来查看您距离功效快速增长的“拐点”有多近,或者探索如果您只能招募较小的样本会发生什么情况。

分布重叠:此可视化图表展示了两个组的预期分布,并显示了它们的重叠程度。重叠越少,效应量越大,越容易检测。这对于向研究团队中非统计学专业人士解释样本量概念尤其有用。

敏感性分析:此图显示了在不同显著性水平(α = 0.01、0.05、0.10)下,样本量需求的变化情况。三条线有助于您理解I类错误控制与样本量需求之间的权衡关系。

生成可直接发布的报告

Editverse 计算器最有价值的功能之一是能够生成完整的、可用于发表的样本量计算文档。点击“报告”按钮即可打开包含完整文档的模态窗口。

该报告包含多个部分,您可以直接将其复制到您的资助申请、伦理审查文件或论文方法部分:

研究设计:记录您选择的统计检验和假设方向。

参数:列出所有输入值,包括显著性水平、功效、效应量和特定于测试的参数。

结果:明确列出了计算出的样本量要求。

辍学率调整:显示您预计的辍学率和调整后的招生目标。

方法文本:提供一段预先写好的段落,适用于您论文的方法部分。例如:“样本量采用双样本t检验计算,假设双侧显著性水平为0.05,统计功效为80%。基于预期平均差异为10 mmHg,合并标准差为20 mmHg,每组需要64名参与者(共128名)。考虑到15%的脱落率,我们计划招募151名参与者。”

您可以将报告复制到剪贴板以便粘贴到其他文档中,或者将其下载为文本文件以作记录。

样本量计算器引用:如何引用该工具

正确引用样本量计算工具对于保证研究结果的可重复性和透明度至关重要。以下是不同风格的引用格式:

正文(方法部分): “样本量是使用 Editverse 样本量计算器(Editverse,2025)计算的,这是一个经过验证的用于医学研究的在线功效分析工具。”

APA 第 7 版: Editverse。(2025)。Editverse样本量计算器[在线工具]。https://editverse.com/free-sample-size-calculator-power-analysis-tool-for-researchers/

温哥华/ICMJE:Editverse。Editverse样本量计算器 [互联网]。2025 [引用日期:2025 年 1 月 6 日]。可从以下网址获取:https://editverse.com/free-sample-size-calculator-power-analysis-tool-for-researchers/

样本量计算器实用示例:血压试验

让我们通过一个完整的示例来演示计算器的工作流程。

情景:您正在计划一项随机对照试验,比较一种新的降压药与安慰剂的疗效。您的主要终点是收缩压从基线到 12 周的变化。

步骤 1:从下拉菜单中选择“双样本 T 检验(两组)”。

步骤 2:设置统计参数:显著性水平 = 0.05 (5%),功效 = 80%,检验类型 = 双尾检验,分配比例 = 1:1。

步骤 3:输入测试特定参数:预期平均组 1(对照组)= 140 mmHg,预期平均组 2(治疗组)= 130 mmHg,标准差 = 20 mmHg。这些值表明,治疗后预期血压降低 10 mmHg。

步骤 4:根据您所在治疗领域已发表的类似试验,将脱落率调整为 15%。

步骤 5:点击“计算样本量”。

结果:计算器显示每组需要 64 名参与者(共 128 名)。考虑到 15% 的退出率,您应该总共招募 151 名参与者(每组 76 名)。

步骤 6:点击“报告”生成提交给伦理委员会和申请拨款所需的文件。

样本量计算器对比:Editverse 与其他工具

Editverse 计算器与其他热门计算器相比如何?以下是详细对比:

特性编辑宇宙G*功率PS电源OpenEpi
价格筛选✓免费免费免费免费
平台✓ 基于网络仅限台式机仅限台式机网上
移动友好✓ 是✗ 没有✗ 没有有限
临床试验设计✓ 所有 3 种类型有限是✗ 没有
生存分析✓ 对数秩是是✗ 没有
互动图表✓ 是是✗ 没有✗ 没有
出版报告✓ 是✗ 没有✗ 没有✗ 没有
掉线调整✓ 内置用户手册用户手册✗ 没有
ROC/AUC 分析✓ 是✗ 没有✗ 没有✗ 没有

伦理委员会和拨款申请方面的建议

样本量论证是伦理审查和科研基金申请的关键组成部分。评审人员会仔细审查这一部分。以下是如何提出令人信服的论证:

论证效应量:不要仅仅陈述预期效应,还要解释预期效应的原因。引用初步数据、已发表的文献,或说明你旨在检测到的最小临床重要差异。审稿人通常会对过于乐观的效应量假设提出质疑。

解释您的统计参数:简要说明您选择显著性水平(α)和统计功效的原因。对于大多数研究而言,α = 0.05 和 80% 的统计功效是标准值,但如果您偏离了这些标准,请解释原因。

考虑实际流失率:根据类似研究的证据,证明您已考虑了人员流失问题。使用内置的流失率滑块生成调整后的招募目标。

请包含所有参数:审稿人需要验证您的计算结果。请在提交内容中包含所有输入参数,以便他们能够复现您的结果。

使用报告功能:使用计算器的导出功能生成完整报告。这可确保您不会遗漏任何必要信息,并提供专业、标准化的文档。

关于样本量计算的常见问题

什么是样本量计算?为什么它很重要?

样本量计算旨在确定研究中检测到统计学显著效应所需的最小参与者人数。这至关重要,因为招募的受试者过少可能导致研究缺乏足够的统计效力来发现真实效应(II型错误),而招募的受试者过多则会浪费资源,并可能使不必要的参与者接受实验干预。

如何计算临床试验的样本量?

在 Editverse 计算器中选择您的试验设计(优效性、非劣效性或等效性),输入您预期的治疗差异、标准差、显著性水平(通常为 α = 0.05)和统计功效(通常为 80% 或 90%)。计算器会立即计算出每组所需的受试者人数。

我应该使用多大的统计功效?

大多数临床研究的惯例是采用 80% 的统计功效,这意味着如果存在真实效应,则有 80% 的概率检测到该效应。对于确证性试验、监管申报或漏检真实效应代价高昂的情况,则应使用 90% 的统计功效。更高的统计功效需要更大的样本量。

我应该使用多大的效应量?

效应量应基于您自身初步研究的试点数据、已发表的类似干预措施的文献,或能够改变临床实践的最小临床重要差异。Cohen 的指导原则(d = 0.2 为小效应,0.5 为中等效应,0.8 为大效应)可以提供帮助,但临床相关性才是您最终选择的依据。

Editverse 计算器与 G*Power 相比准确吗?

是的。Editverse 计算器使用与 G*Power 和其他成熟工具相同的经过验证的统计公式。对于相同的输入参数,结果完全一致。Editverse 的优势在于其易用性、可直接用于出版的报告以及内置的诸如数据缺失调整等功能。

专业统计支持服务

虽然 Editverse 样本量计算器可以处理大多数简单的功效分析,但某些研究设计需要专业的统计咨询。复杂的自适应设计、分层模型或异常的结果分布可能需要专家指导。

论文统计分析

$600

博士研究的完整统计分析

查看详细信息→

独立荟萃分析

$1,000

运用森林图进行专业荟萃分析

查看详细信息→

方法论咨询

$400

研究设计方面的专家指导

查看详细信息→

H指数入门套装

$2,495

系统评价+荟萃分析软件包

查看详细信息→

结语

Editverse 样本量计算器为医学研究人员提供了一个强大且易于使用的工具,用于规划统计学上合理的研究。通过理解功效分析的核心概念并遵循本指南,您可以自信地确定临床试验、观察性研究和诊断研究的合适样本量。

请记住,样本量计算并非一劳永逸。在计划阶段,随着研究设计的不断完善,请重新审视您的计算结果,以确保您的入组目标仍然合适。Editverse 计算器的即时结果和报告生成功能,让您可以轻松探索不同的方案并记录最终决策。

将https://editverse.com/free-sample-size-calculator-power-analysis-tool-for-researchers/上的计算器添加到书签,并与可能受益于此免费资源的同事分享。

需要专家统计支持?

我们的统计学家可以协助进行复杂的研究设计、申请资助以及进行可发表的分析。

尝试计算器
免费咨询

案例

Chow SC、Shao J、Wang H、Lokhnygina Y.临床研究中的样本量计算。第三版:Chapman and Hall/CRC;2017。

Fleiss JL、Levin B、Paik MC。《比率和比例的统计方法》。第三版:John Wiley & Sons;2013。

Rosner B.生物统计学基础。第 7 版。波士顿,马萨诸塞州:Brooks/Cole;2011 年。

Schoenfeld D. 比较生存分布的非参数检验的渐近性质。Biometrika . 1981;68(1):316-319。

Woodward M. 医学研究中样本量、功效和最小可检测相对风险的公式。皇家统计学会杂志:D辑(统计学家)。1992;41(2):185-196。