Fem trinn for beregning Sample Size

Nesten alle bevilgende instanser krever et estimat av en tilstrekkelig utvalgsstørrelse for å påvise effekter hypoteser i studien. Men alle studier er godt tjent med beregninger av utvalgsstørrelse, så det kan spare mye på ressursene.

Hvorfor? Underdimensjonerte studier finner ikke reelle resultater og overdimensjonerte studier finner selv ubetydelig seg. Både underdimensjonerte og oversized studier kaste bort tid, energi og penger; det tidligere ved å bruke ressurser uten å finne resultater og sistnevnte ved å bruke mer ressurser enn nødvendig. Både utsette en unødvendig antall deltakere til eksperimentelle risiko.

Trikset er å size en studie slik at det er akkurat stor nok til å oppdage en effekt av vitenskapelig betydning. Hvis effekten viser seg å være større, så mye bedre. Men først må du samle litt informasjon om å basere estimatene.

Når du har samlet denne informasjonen, kan du beregne hånd ved hjelp av en formel som finnes i mange lærebøker, bruke en av mange spesialiserte programvarepakker, eller overlate den til en statistiker, avhengig av kompleksiteten av analysen. Men uansett hvilken vei du eller statistiker beregner det, må du først gjøre følgende 5 trinn.

Trinn 1. Angi en hypotesetest

De fleste studiene har mange hypoteser, men for sample beregninger størrelse, velger ett til tre hovedhypoteser. Gjør dem eksplisitt i form av en null og alternativ hypotese.

Trinn 2. Angi signifikansnivå på testen.

Det er vanligvis alpha = 0,05, men det trenger ikke å være.

Trinn 3. Angi den minste effektstørrelse som er av vitenskapelig interesse.

Dette er ofte det vanskeligste trinnet. Poenget her er ikke å spesifisere effektstørrelse som du forventer å finne eller som andre har funnet, men den minste effekt størrelsen av vitenskapelig interesse.

Hva betyr det? Enhver effektstørrelse kan være statistisk signifikant med en stor nok prøve. Din jobb er å finne ut på hvilket punkt dine kolleger vil si, etter

For noen resultatmål, er åpenbart riktig verdi "Så hva om det er betydelig Det påvirker ikke noe?!"; for andre, ikke i det hele tatt

Noen eksempler:.

* Hvis behandlingen senket angst med 3%, ville det faktisk bedre en pasients liv? Hvor stor ville fallet måtte være? Product: * Hvis responstid til stimulans i den eksperimentelle tilstanden var 40 ms raskere enn i kontrollgruppen tilstand, betyr det noe? Er en 40 ms forskjell meningsfylt? Er 20? 100? Product: * Hvis 4 færre biller ble funnet per plante med behandling enn med kontrollen, ville det virkelig påvirke anlegget? Kan 4 flere biller ødelegge, eller enda stunt, en plante, eller krever det 10? 20?

Trinn 4. Beregn verdiene av andre parametere som er nødvendige for å beregne strømfunksjonen.

De fleste statistiske tester har formatet på effekt /standard feil. Vi har valgt en verdi for effekten i trinn 3. Standardfeil er vanligvis standardavviket /n. Å løse for n, som er poenget med alt dette, trenger vi en verdi for standardavvik. Det er bare to måter å få det.

1. Den beste måten er å bruke data fra en pilotstudie for å beregne standardavvik.

2. Den andre måten er å bruke historiske data- -En annen studie som brukte samme avhengige variabelen. Hvis du har mer enn én studie, enda bedre. Gjennomsnittlig sine standardavvik for en mer pålitelig estimat.

Noen ganger begge kilder til informasjon kan være vanskelig å komme med, men hvis du vil prøve størrelser som er enda eksternt nøyaktig, trenger du det ene eller det andre.

Trinn 5. Angi den tiltenkte effekt av testen.

Kraften i en test er sannsynligheten for å finne betydning hvis den alternative hypotesen er sann.

En strøm av 0,8 er minimum. Om det vil være vanskelig å kjøre studien eller legge til noen flere deltakere, er en kraft av 0,9 bedre. Hvis du søker om tilskudd, er alltid bedre en effekt på 0,9

Nå Beregn
. &Nbsp.;