G.Power教程 | 样本量估计

欢迎大家来到IT世界,在知识的湖畔探索吧!

Hello，

这里是行上行下，我是喵君姐姐~

一入科研深似海，从此假期是路人。

网上正在热论996，而大部分的科研人的工作时间可能是711。

每次和审稿人斗智斗勇，都感觉自己的头发少了很多，深刻体会到了“聪明绝顶”的深意。

而审稿人常问的一个问题是：

这个被试量太少了，我对所得到的结果的准确性感到担忧~

看到这里我们就慌了，怎么办？

解决方法有两个：

要么补实验数据；要么让审稿人信服你的被试量是足够的，得到的结果是可靠的。

补数据相对而言比较麻烦，可能要重新做实验，重新分析数据和画图。而且有的实验因为现实原因，不能够补数据了。

那么，你可以采取另外一种办法：

使用G.Power进行先验分析，估计出所需要的样本量，然后看看你的数据量能否大于估计的样本量。

或者使用事后分析，说明你现目前的数据量可以达到什么样的效应量和统计功效水平，是足够让人信服的。

其实，这一步应该在实验之前就应该进行。但是刚开始做实验的小白都没有做这一步的意识，所以只好事后亡羊补牢了。

那么，今天就详细讲解一下，如何使用G.Power进行样本量的估计？

（点击查看大图，今天只详解样本量估计哟~） 来源：雪师妹

其实G.Power的安装和使用都十分简单，只需要按照要求，点点点即可。当然，想要弄懂背后的统计学原理，还是需要花费一番功夫。

G*power软件是由德国杜塞尔多夫大学几位乐于分享知识的老师开发的，专门用于统计功效（包括样本量）计算的免费统计软件，在心理学领域有着很高的声誉和认可度。

首先，在官网即可下载软件，Windows和Mac版本均有。也可在后台回复“G.power教程”免费获得软件及相关资料包。

网址：http://www.gpower.hhu.de/

其次，打开文件夹，双击setup，进行安装。安装完成后，点击桌面图标，顺利出现如下图的主界面图，即可安装完成。

对于大多数的人来说，统计学概念都是十分抽象的，看着就头疼。

然而，有一群可爱的科学家设计了一个有趣的网站，让我们可以可视化地了解各个概念之间的关系。

网址：https://rpsychologist.com/d3/NHST/

首先，复习一下统计学基本概念，两个假设以及两类错误之间的关系。

研究假设（H0）与对立假设（H1）

Ⅰ型错误（a）与Ⅱ型错误（β）

其次，理清统计功效（power，1-β）与效应量（effect size，d）之间的关系。

再次，在假设检验中，统计模型既定的情况下，有四个参数：

alpha值（a）

效应量（effect size，d）

样本量（sample size，N）

统计检验力（power，1-β）

当统计模型确定后（即使用的是t检验，ANOVA或其他检验方法），知道其中三个可以计算出第四个。（来源：刘嘉老师）

最后，介绍常见的5种统计力分析（power analysis）的类型。

来源：AffectiveNeuroscience-梁丽美

G.Power的功能强大，即可以计算事后统计检验力（事后分析），也可以进行事前样本量的估计（先验分析）。

今天，着重讲解一下，如何使用G.power进行各个统计方法的样本量估计？

来源：曹振波老师

Tips:

1. 新版的重复测量分析当中，组内相关系数为0.5，球形检验系统为1(均为默认数值），并且不用再除重复测量次数。

2. 除了进行样本量的估计，也可查看X-Y plot 查看在现目前的样本量之下，可以达到多大的统计功效（power，1-β）与效应量（effect size，d）。

今天从G.Power的介绍和安装、统计基本概念的讲解、各个统计方法的样本量估计三个方面进行了G.power的讲解。

但是，其实我们还需要很多的路需要走。

就像范妍老师所讲的那样：

随着技术的革新，如何进行fMRI实验样本量的估计？

我们只采取单篇研究进行样本量的估计是否可靠？

如何才能够进行更加科学的样本量估计？

科学无止境，只希望能够在不断的学习和发展当中，能够越来越好。

今天，我也整理了G.power的相关资料，包括G.Power软件、英文指导手册、中文指导手册及相关PPT、参考文献资料等。后台回复“G.Power使用教程”，即可获得啦！

小伙伴们也可以在留言区将自己的审稿相关经验分享一下，和大家互相交流哈~

分享完毕，希望有所帮助。