关于样本量的几个小问题

2020-02-05 王晓晓,赵一鸣 临床流行病学和循证医学

首先,大家看一个样本量估算的结果(基于PASS软件),N1=N2=37,每组需要37人。哇,好开心,每组入组37人就行了。1、好像不是这样,因为根据公式或软件估算的样本量是在给定条件下满足研究所需的最小样本量。也就是说,最终纳入统计分析时,每组至少需要37人。临床研究中,常会因为各种原因导致研究对象的脱落和失访,因此,我们要提前考虑到失访的情况,一般在此基础上增加5%~20%。2、考虑失访,大家一



首先,大家看一个样本量估算的结果(基于PASS软件),N1=N2=37,每组需要37人。哇,好开心,每组入组37人就行了。

1、好像不是这样,因为根据公式或软件估算的样本量是在给定条件下满足研究所需的最小样本量。也就是说,最终纳入统计分析时,每组至少需要37人。临床研究中,常会因为各种原因导致研究对象的脱落和失访,因此,我们要提前考虑到失访的情况,一般在此基础上增加5%~20%。

2、考虑失访,大家一般都不会忽略。比如估算样本量每组37人,考虑20%的失访,每组计划纳入45人。最后每组各40人数据完整可以纳入分析,那么问题来了,我们是不是必须保证分析时每组只有37人呢?

只要我们还记得每组37人是满足研究所需的最小样本量,也就是说每组大于等于37人。那我们就不会有这种疑惑了,直接对每组40人的数据进行分析即可。

3、有人说,样本量多了研究结果可信度高,那我就尽可能纳入多一些。估算样本量每组37人,计划每组纳入56人(增加了50%),这样可以吗?

3.1、好像没问题,适当增加样本量可提高研究结果的可信度。毕竟,样本量估算的效应量和实际研究的效应量也还是有差距的。但是,大家需要注意一点,那就是考虑到对患者利益的保护。

3.2、对于观察性研究,比如横断面、病例-对照研究、队列研究,研究本身对患者无额外风险,在这种情况下,适当增加样本量是可以接受的。

3.3、但是,如果是干预性研究,当我们已经收集到研究所需的样本量时,而再去额外的多纳入研究对象,这时候就对于接受疗效较差药物或方案的研究对象就存在伦理问题了。因此,干预性研究,建议在软件或公式估算样本量的基础上,适当增加5%~20%。

4、例子中,每组比例为1:1,好像也听到说1:1时统计效能最大,是不是每组样本量必须一样呢?

4.1、我们说组间比例1:1时,统计效能最大,是指当总的样本量一定时,组间比例1:1,统计效能最大。比如,100:100的统计效能大于150:50、120:80等等。

4.2、那我们估算样本量时,应该怎么设置组间比例呢?要考虑到可行性问题,比如罕见病的病例-对照研究,有可能要考虑对照多病例少的组合。而对于干预性研究,应尽可能减少安慰剂或阴性对照的比例。

4.3、一般我们建议组间比例在1:1~1:4之间。这是因为,当样本量估算的其他参数不变时,随着组间比例的增加,统计效能逐渐增大。但是当组间比例为1:4,此后增加组间比例,对统计效能的贡献较小,但组间比例的增加,也会引发因样本量增加导致的其他问题,综合考量,建议组间比例为1:1~1:4之间。



N1=50,N2在50-500之间,即组间比例为1:1-1:10时的统计效能。

版权声明:
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
评论区 (3)
#插入话题
  1. [GetPortalCommentsPageByObjectIdResponse(id=908815, encodeId=c75f908815ec, content=很棒,解释详细明了, beContent=null, objectType=article, channel=null, level=null, likeNumber=71, replyNumber=0, topicName=null, topicId=null, topicList=[], attachment=null, authenticateStatus=null, createdAvatar=null, createdBy=4f432690319, createdName=xuhy0096, createdTime=Thu Dec 17 10:55:06 CST 2020, time=2020-12-17, status=1, ipAttribution=), GetPortalCommentsPageByObjectIdResponse(id=1669423, encodeId=b7e91669423b8, content=<a href='/topic/show?id=9d7b620395d' target=_blank style='color:#2F92EE;'>#样本#</a>, beContent=null, objectType=article, channel=null, level=null, likeNumber=24, replyNumber=0, topicName=null, topicId=null, topicList=[TopicDto(id=62039, encryptionId=9d7b620395d, topicName=样本)], attachment=null, authenticateStatus=null, createdAvatar=null, createdBy=f33226554040, createdName=zhzhxiang, createdTime=Thu Dec 10 05:23:00 CST 2020, time=2020-12-10, status=1, ipAttribution=), GetPortalCommentsPageByObjectIdResponse(id=1283480, encodeId=d1521283480b5, content=<a href='/topic/show?id=302e6204212' target=_blank style='color:#2F92EE;'>#样本量#</a>, beContent=null, objectType=article, channel=null, level=null, likeNumber=42, replyNumber=0, topicName=null, topicId=null, topicList=[TopicDto(id=62042, encryptionId=302e6204212, topicName=样本量)], attachment=null, authenticateStatus=null, createdAvatar=, createdBy=b05b180, createdName=grace5700, createdTime=Fri Feb 07 14:23:00 CST 2020, time=2020-02-07, status=1, ipAttribution=)]
    2020-12-17 xuhy0096

    很棒,解释详细明了

    0

  2. [GetPortalCommentsPageByObjectIdResponse(id=908815, encodeId=c75f908815ec, content=很棒,解释详细明了, beContent=null, objectType=article, channel=null, level=null, likeNumber=71, replyNumber=0, topicName=null, topicId=null, topicList=[], attachment=null, authenticateStatus=null, createdAvatar=null, createdBy=4f432690319, createdName=xuhy0096, createdTime=Thu Dec 17 10:55:06 CST 2020, time=2020-12-17, status=1, ipAttribution=), GetPortalCommentsPageByObjectIdResponse(id=1669423, encodeId=b7e91669423b8, content=<a href='/topic/show?id=9d7b620395d' target=_blank style='color:#2F92EE;'>#样本#</a>, beContent=null, objectType=article, channel=null, level=null, likeNumber=24, replyNumber=0, topicName=null, topicId=null, topicList=[TopicDto(id=62039, encryptionId=9d7b620395d, topicName=样本)], attachment=null, authenticateStatus=null, createdAvatar=null, createdBy=f33226554040, createdName=zhzhxiang, createdTime=Thu Dec 10 05:23:00 CST 2020, time=2020-12-10, status=1, ipAttribution=), GetPortalCommentsPageByObjectIdResponse(id=1283480, encodeId=d1521283480b5, content=<a href='/topic/show?id=302e6204212' target=_blank style='color:#2F92EE;'>#样本量#</a>, beContent=null, objectType=article, channel=null, level=null, likeNumber=42, replyNumber=0, topicName=null, topicId=null, topicList=[TopicDto(id=62042, encryptionId=302e6204212, topicName=样本量)], attachment=null, authenticateStatus=null, createdAvatar=, createdBy=b05b180, createdName=grace5700, createdTime=Fri Feb 07 14:23:00 CST 2020, time=2020-02-07, status=1, ipAttribution=)]
    2020-12-10 zhzhxiang
  3. [GetPortalCommentsPageByObjectIdResponse(id=908815, encodeId=c75f908815ec, content=很棒,解释详细明了, beContent=null, objectType=article, channel=null, level=null, likeNumber=71, replyNumber=0, topicName=null, topicId=null, topicList=[], attachment=null, authenticateStatus=null, createdAvatar=null, createdBy=4f432690319, createdName=xuhy0096, createdTime=Thu Dec 17 10:55:06 CST 2020, time=2020-12-17, status=1, ipAttribution=), GetPortalCommentsPageByObjectIdResponse(id=1669423, encodeId=b7e91669423b8, content=<a href='/topic/show?id=9d7b620395d' target=_blank style='color:#2F92EE;'>#样本#</a>, beContent=null, objectType=article, channel=null, level=null, likeNumber=24, replyNumber=0, topicName=null, topicId=null, topicList=[TopicDto(id=62039, encryptionId=9d7b620395d, topicName=样本)], attachment=null, authenticateStatus=null, createdAvatar=null, createdBy=f33226554040, createdName=zhzhxiang, createdTime=Thu Dec 10 05:23:00 CST 2020, time=2020-12-10, status=1, ipAttribution=), GetPortalCommentsPageByObjectIdResponse(id=1283480, encodeId=d1521283480b5, content=<a href='/topic/show?id=302e6204212' target=_blank style='color:#2F92EE;'>#样本量#</a>, beContent=null, objectType=article, channel=null, level=null, likeNumber=42, replyNumber=0, topicName=null, topicId=null, topicList=[TopicDto(id=62042, encryptionId=302e6204212, topicName=样本量)], attachment=null, authenticateStatus=null, createdAvatar=, createdBy=b05b180, createdName=grace5700, createdTime=Fri Feb 07 14:23:00 CST 2020, time=2020-02-07, status=1, ipAttribution=)]

相关资讯

在线课堂:超详细解读——样本容量的估计

在科研设计之始,我们常被以下问题所困…… 主要终点、次要终点;纳入排除标准;随访实施;随机化方式;盲法实施;样本量;统计方案 样本量—大?小?怎么办!!!! 无论何种设计,均应考虑样本量的估算问题。 样本量过小?——结果不稳定,检验效能过低,无法获得阳性结果(假阴性结果) 样本量过大?——增加临床研究难度,造成人力、物力、时间和经济上的

随机对照临床试验各组样本量一定要均等吗?

样本量均等一般是指各组样本量绝对均等,或在总样本量大小为奇数时近似相等。

诊断试验(估计灵敏度和特异度)的PASS软件样本量计算

1、问题与数据 某研究者拟探讨胸部扪诊对乳腺癌患者的诊断价值。以手术病理结果为金标准,选择乳腺癌患者和非患者进行胸部扪诊,评价胸部扪诊的诊断价值。预计胸部扪诊诊断乳腺癌的灵敏度(Sensitivity)为85%,灵敏度的容许误差为5%;特异度(Specifity)为90%,特异度的容许误差为10%;选取置信度1-α=0.95。患者和非患者采用相等的样本量,请问如何估计样本量? 2、对问题的分析

样本量计算软件大全,再也不用担心样本量的计算

在临床研究设计阶段,临床研究者最纠结的问题在哪里?需要多少病例即样本量估算,必是其中问题之一。因为样本量太小,试验难以得出设计的效果,结果不稳定,错误风险也大,得到“假阴性”结果;样本量太大,增加试验的成本和难度。并且CONSORT和STROBE等报告规范已要求要指明样本量的确定方法。那如何把握这个度呢?第一类:临床试验(以RCT为主),根据研究设计类型不同研究课题假设有三种类型:1. 优效性

样本量过少回归分析如何分析处理与解释

回归是统计学中最常用的模型,但是,有时使用回归后发现结果难以解释,或者与临床实际并不符合,十分困惑。这可能是什么原因呢? 虽然,实际原因很多,但是重要原因之一是样本量太小!很小小样本得出回归的结果,其实并不"回 归",因此,在处理小样本做多因素回归分析时,要慎重。传统一般认为在logistic回归时,变量与样本量之比为至少5倍,即纳入5个变量时,样本量至少也需要25例,实际上,这是保守估计。如果

病例对照研究的样本量计算(PASS软件)

1、问题与数据 某研究者拟探讨吸烟与肺癌的关系,考虑到年龄可能和肺癌的发生有关,因此设计一项按照年龄1:1匹配的病例对照研究。选择肺癌患者为病例组,并对于每一个病例组研究对象,选择一个与其年龄差在±3岁以内的非肺癌患者为对照组研究对象。预期OR=2.0,对照组人群中的吸烟率约为20%,设α=0.05,β=0.10。请问如何估计病例组和对照组的样本量? 2、对问题的分析 研究者的设计为病例对照