738904_zh-CN

liliconcom

样本量：不仅仅是一个数字 - (2023-US-30MP-1483)

虽然“我需要多少（部件/受试者/运行）？”这个问题是几乎每个统计学家都害怕的问题，但这是一个重要的问题，应该在进行任何研究或实验之前提出。答案似乎很简单。只需将一些数字输入计算器即可！但根据我的经验，样本量计算很少那么容易。

JMP 16 引入了一整套样本量探索器，JMP 17 中还添加了更多功能。但为什么称它们为“探索器”而不是“计算器”呢？因为样本量不仅仅是一种计算。它是研究设计不可或缺的一部分，要确定样本量，需要的不仅仅是数学知识。本演示文稿从概念到执行探索了样本量。虽然示例包括医疗设备或诊断研究的样本量探索，但从中吸取的经验教训适用于所有行业。

什么 是 去 到 讲话 关于 今天 是

a 简单的 介绍 到 样本 尺寸 思维。

然后 出色地 看 在 二 例子； 一， 比较 这 意思是 的 二 人口，

和 这 第二， 寻找 在 a 学习 和 a 部分 终点，

和 出色地 裹 向上 和 一些 额外的 的想法。

A 问题 我是 经常 问 是， 什么 样本 尺寸 做 I 需要？

一 可能 思考， “哦， 这就是 简单的。 只是 使用 a 样本 尺寸 计算器。”

但 等待 a 第二。

为什么 做 跳转 称呼 样本 尺寸 计算器 探险家？

为什么 是 他们 在 这 美国能源部 菜单？ 哪个 一 做 I 使用？

出色地， 让我们 讲话 关于 一些 样本 尺寸 基础知识。

A 样本 尺寸 是 计算 事先的 到 跑步 a 学习。

A 学习 是 一个 实验 设计 前方 的 时间。

这就是 为什么 他们 在 这 美国能源部 菜单。

样本 尺寸 取决于 在 这 目标 的 a 学习。

I 经常 称呼 这， 是 你 制作 a 5美元 决定 或者 a 50美元 百万 决定？

是 你 寻找 在 a 监管 清除，

a 发布， 一个 研发 问题， 或者 a 简单的 勘探？

什么是 这 基本的 端点 的 你的 学习？ 什么 是 你 尝试 到 展示？

如何 是 你的 学习 设计？ 什么 是 你的 结果 假设？

这些 可能 是 基于 在 事先的 知识，

a 飞行员 数据， 或者 经常， 或者 只是 简单地 猜测。

样本 尺寸 是 a 风险-收益 勘探。

这就是 为什么 他们 称为 样本 尺寸 探险家。

你 想 到 探索

如何 不同的 假设 是 去 到 影响 你的 样本 尺寸。

现在， 更多的 是 一般来说 更好的，

但 作为 我们 全部 知道， 更多的 成本 更多的， 和 更多的 可能 不是 是 可能的。

让我们 开始 和 a 简单的 例子

的 浆纱 这 学习 为了 比较 二 方法。

出色地 在 这 合身 Y 经过 X 平台，

和 出色地 看 在 这 力量 探索者 为了 二 独立的 样本 方法。

这 样本 尺寸 例子 是 基于 在

a 真实的 情况 在哪里 a 公司 是 在 这 研发 阶段。

他们 正在做 a 样本 收藏 学习。 那 可以 是 血， 鼻腔 拭子， 唾液。

有 不 基本的 端点 因为 它是 一个 研发 学习。

他们 仍然 在 这 研发 阶段， 但 他们 需要 a 样本， a 力量 分析。

他们 是 问 为了 力量 分析 经过 这 实体 那 是 考虑

资金 这 项目。

如何 能 我们 提供 a 力量 分析 没有 a 基本的 输入？

出色地， 最好的 想法 这里 是 一，

我们 可以 说， “嘿， 我们 不能 做 a 力量 分析，”

或者， 会心 那 这 资金 实体 想要 a 力量 分析

到 展示 那 我们已经 想法 关于 这 学习 和 我们已经 想法 关于 如何 许多 人们

是 询问 他们 到 注册， 我们 可以 产生 a 研究 端點。

在 那 案件， 是 去 到 问， “能 I 区分 这 不同之处 在 方法

之间 我的 生病的 和 健康 主题 为了 一些 基本的 生物 标记？

出色地 使用 这 样本 尺寸 从 这 力量 分析

和 这 预期的 患病率 的 疾病 到 证明合法 这 数字

的 主题， 是 请求 到 注册 在 这 学习。

I 需要 到 理解 测试 为了 比较 到 独立的 方法，

和 I 需要 a 计算器 为了 这 力量 的 a 测试 到 比较 到 独立的 方法。

什么 I 喜欢 到 问 我 是 如果 I 有 数据， 什么 会 I 做？

如果 I 理解 什么 分析 我是 去 到 做，

这就是 去 到 帮助 我 决定 什么 样本 尺寸 I 需要。

有时 你会 有 飞行员 数据，

和 有时 你 能 只是 制作 向上 数据 到 帮助 你 数字 出去

什么 分析 是 你 去 到 做 和 什么 样本 浆纱 应该 你 做。

让我们 拿 a 看 在 这。

我是 去 到 打开 a 数据 桌子， 和 这 是 只是 生成 数据。

我已经 得到 a 生病的… I 有 15 生病的 患者 和 15 健康 患者。

我是 去 到 做 a 合身 Y 经过 十。

患病的 做 a 夫妻 的 事物 这里： 我们的 范围， 我是 去 到 抖动 我的 点，

我是 去 到 跑步 a T 检验， 和 I 喜欢 到 看 在 这 密度。

以下是 二 示例 的 什么 一些 数据 可能 看 喜欢。

在 这 左边 是 a 相当 分离 人口

的 结果， 这 生物标志物 数字 一。

这 不同之处 是 关于 2、2.5。

这些 是 生成 从 a 普通的 分配

作为 是 这 一 在 这 右手 边。

这里， 这 不同之处 是 a 小的 较少的。

你 能 看 在 两个都 地方，

我们 会 结论 那 有 a 不同之处 之间 这些 二 人口。

这 一 在 这 正确的 存在 更接近 一起

是 更难 到 区分 比 这 一 在 这 左边。

我们 用过的 a T 检验 为了 那。

现在 这 问题 变成，

如何 许多 样品 会 I 需要

如果 我是 去 到 跑步 这 实验？

再次， 让我们 看 在 那。

让 我 只是 步 通过 我的 工作流 建造者

所以 它 关闭 向下 我们的 数据 表。

美国能源部 样本 尺寸 探险家 功率。

I 想 力量 为了 二 独立的 样本 方法。

I 拉 那 向上， 你会 看 那 有 相当 a 很少 事物 到 看 在。

第一的， 我们 有 这 测试 类型。 它是 去 到 是 双面的。

我们的 阿尔法 是 0.05，

和 这 团体 人口 标准 偏差 是 不是 假定 到 是 已知。

是 猜测 在 那些。

到 计算 我的 样本 尺寸， I 需要 到 充满 在 这 信息。

这 是 我的 计算器 部分。 I 有 二 组。

我是 去 到 开始 超过 这里 在 这 右手 边。

I 有 二 团体 标准 偏差 到 放 在 估计 为了。

我是 去 到 认为 那 一 团体 是 较少的 多变的 比 这 其他 团体。

下一个， I 需要 到 充满 在 这 不同之处 到 探测。

这里， 我是 使用 标准 偏差 单位，

和 我是 去 到 说 I 想 到 探测 a 一 标准 偏差 单元 不同之处。

下一个， 我已经 得到 正确的 现在 样本 尺寸 的 三十 在 每个 团体

那 给出 我 a 非常 高的 力量。

我是 去 到 降低 这 力量 到 90，

和 I 看 那 为了 a 力量 的 90 到 探测 a 不同之处 的 一

之间 这些 二 团体， I 需要 a 样本 尺寸

的 15 主题 在 每个 团体。

那 似乎 合理的。

现在， 你 能 看 在 这些 图形 到 看 那

如何 你的 猜测， 你的 假设 可能 影响 这 力量 的 你的 学习。

我们 能 看 那 这 标准 偏差 有 相当 a 少量 的 影响。

作为 我的 标准 偏差 增加，

所以 我的 数据 变成 更多的 传播 出去， 我的 力量 减少。

它是 去 到 是 更难 到 探测 这 不同之处。

你 能 看 是 在 a 甜的 点 在 这 样本 尺寸。

作为 I 增加 这 样本 尺寸，

我的 力量 是 去 到 增加， 但 不是 可怕 大大地。

作为 I 减少， 如果 I 去了 向下 到 关于 10，

我的 力量 是 去 到 去 向下 到 关于 八。

但 让我们 去 后退 到 这 观点 现在。

I 想 关于 15 样品 每 团体。

在 这 实例， 到 得到 15 积极的 样品

从 a 学习 在哪里 我是 招生 人们，

和 如果 I 有 a 10 % 患病率 速度

的 疾病 超过 这 学习 时期， I 会 需要 关于 150 科目。

如果 这 患病率 曾是 低的 或者 说， 仅有的 5%、 然后 I 会 需要 300 科目。

再次， 样本 尺寸 是 a 风险 益处 计算，

所以 我们 想 到 考虑 各种各样的 样本 尺寸。

全部 正确的， 现在 到 我们的 第二 例子。

这 是 浆纱 a 学习 和 a 部分 端點。

出色地 使用 这 分配 平台

和 出色地 使用 这 间隔 探索者 为了 一 样本 部分。

这 是 基于 在 这 问题 的 如何 许多 样品 做 I 需要

到 证明 敏感度 和 特异性 为了 监管 备案？

I 做 a 很多 的 工作 在 诊断。

在 诊断， 敏感度 是 简单地 这 部分 的 积极的 案例

那 你的 测试 调用 积极的， 和 这 特异性 是 这 部分

的 消极的 案例 那 你的 测试 调用 消极的。

我们 一般来说 计算 样本 尺寸 为了 每个 的 这些 指标 个别地，

和 然后 我们 添加 为了 这 全部的 样本 尺寸 为了 a 回顾 学习

在哪里 我已经 已经 得到 样品， 也许 在 a 冰箱 或者 从 a 伙伴，

和 我是 只是 去 到 拉 出去 这 一 那 I 需要。

为了 a 预期 学习， 再次， 我们 会 使用 这 患病率

到 计算 这 全部的 数字 的 主题 到 注册，

相似地 作为 我们 做过 在 这 最后的 例子。

再次， 我们 需要 一些 初步的 信息。

这 目标 的 这 学习 是 a 监管 归档，

所以 a 高的 等级 的 证据 是 需要。

然后 这 特别的 行业 部门， I 需要 到 证明

那 这 降低 信心 限制 为了 敏感度 和 特异性

是 更大 比 80 .

这 学习 设计 是 a 回顾 学习。

它是 a 审查 的 CT 扫描 .

这 假设 是 那 这 敏感度 的 识别

这 结果 是 0.9 和 特异性 是 0.85。

I 需要 到 理解 这 信心 间隔 作为 一个 结果，

和 I 需要 a 计算器 为了 信心 间隔 为了 部分。

再次， 这 问题， 如果 I 有 数据， 什么 会 I 做？

让我们 看 在 那。

再次， I 生成 一些 数据。

I 有 a 参考 标准 在哪里 I 有 关于 145 消极的 样品

和 144 积极的 案例 或者 样品。

然后 I 有 这 测试 结果， 积极的 和 消极的。

你 能 看 他们 不是 完美的。

一些 的 这 案例 那 这 测试 调用 消极的 是 实际上 积极的，

和 一些 的 这 案例 那 这 测试 调用 积极的 是 实际上 消极的。

如何 会 I 看 在 这？

出色地， I 可以 制表 它

和 来 向上 和 这 % 的 积极的 案例 那 这 测试 调用 积极的

和 这 % 的 消极的 案例 那 这 测试 调用 消极的。

但 I 想 信心 间隔。

我是 去 到 使用 这 分配 平台，

和 我是 去 到 看 在 这 部分 在 这 测试 案例 经过 这 参考 案件。

再次， 让我们 添加…

我们 想 到 添加， 对不起， 错误的 红色的 三角形 菜单。

我们 想 到 添加 信心 间隔，

和 I 握住 向下 我的 控制 钥匙 到 播送 那些。

现在 I 能 看 和 看 什么是 去 在 这里。

为了 这 案例 那 经过 这 参考 是 积极的，

这 新的 方法 调用 135 的 那些 积极的， 所以 93.75，

和 I 有 我的 信心 间隔 那 去 从 88-96.6

你会 看 这 笔记 这里 那 说， 计算 使用 分数 信心 间隔。

然后 这 事物 到 笔记 这里

是 那 a 分数 信心 间隔 是 不是 对称。

我们 能 看 在 那。

这里 I 生成 a 形象的，

和 你 能 看 那 什么时候 是 在 这 低的 结尾，

所以 a 可能性 的 0.1，

你 能 看 那 这 上 信心 限制 是 更高

作为 比较的 到 这 观点 估计 比 这 降低 信心 间隔。

这 观点 估计 是 不是 居中 在 这 中间 的 这些 信心 间隔。

这就是 只是 这 自然 的 这 核 信心 间隔。

这 问题 现在 是，

如何 许多 样品 做 I 需要 到 展示 那

我的 降低 信心 限制 是 在 至少 0.8， 给定 这 假设 的 这里

我们 有 为了 敏感度， 哪个 是 这 积极的 边，

那 我们 是 去 到 是 更大 比 0.9， 和 在 这 消极的 边

那 我们 是 去 到 是 更大 比 0.85。

这里 我们 能 看 那 在 0.85， 我的 降低 信心 限制 是 仅有的 0.78。

I 会 需要 a 很少 更多的 样品 在 命令 到

展示 那 我的 降低 信心 限制 是 更大 比 0.8。

再次， 这 问题 是 现在 那 I 理解 什么 我是 寻找 为了

是 如何 很多 数据 应该 I 收集？

让我们 去 到 美国能源部 样本 尺寸 探索者，

信心 间隔 为了 一 样本 部分。

让我们 放 在 这 例子 这里。

让我们 放 在 我们的 部分 的 0.9375，

和 这 样本 尺寸 那 我们 有 用过的 这里， 哪个 曾是 144.

I 有 左边 这 间隔 类型 作为 双面

信心 间隔， 信心 等级 是 95 .

和 这 样本 尺寸 的 144， 如果 我的 部分 來 出去 到 是 93.75，

我的 利润 的 错误 是 0.04。

好吧， 什么是 利润 的 错误？

利润 的 错误 是 这 一半 宽度 的 这 信心 间隔。

如果 它 曾是 a 对称 信心 间隔，

它 会 是 你的 加 或者 减 价值 超过 你的 观点 估计。

但 在 这 案件 的 a 分数 信心 间隔，

和 这就是 什么 这 计算器 是 基于 在，

这 是 这 一半 宽度 的 你的 信心 间隔。

但 我们 能 看 那…

和 这 93.75， 这 利润 的 错误 的 0.04，

它是 不是 简单地 a 减 0.04 从 这 93.75

因为 我们 注意到 那 什么时候 我们 做过 这 计算

那 我们的 降低 信心 限制 曾是 0.88。

这 样本 尺寸 是 更多的 比 充足的 为了 什么 我们 需要。

我们 仅有的 需要 a 信心 限制 的 0.8。 让我们 做 那 计算。

让我们 放 在 我们的 假定 价值 的 0.9，

和 让我们 放 在 a 利润 的 错误 的， 说， 0.08。

我们 知道 那 0.1 是 去 到 低估 我们的 样本 尺寸。

如果 我们 做 这 和 我们 说， 全部 正确的， 为了 a 部分 的 0.9，

利润 的 错误 是 0.08， 我们的 样本 尺寸， 它 说， 是 56.

好的， 出色地， 让我们 再检查一下 那。

到 做 那，

I 建造 a 计算器

在哪里 I 能 放 在 我的 假定 部分 和 I 能 放 在 这 价值 的 56.

如果 I 跑步 这 分配，

和 什么 I 做过 这里 是 I 有 一个 结果 的 一 和 零， 和 I 有 a 频率。

如果 I 重新启动 这，

I 使用 这 结果 和 I 使用 这 频率 柱子

到 给 我 这 分配 作为 如果 I 有 51 的 和 六 零 在 我的 数据 文件。

出色地， 什么 做 那 看 喜欢？

和 a 样本 尺寸 的 56，

a 部分 的 关于 0.9， 我的 降低 信心 限制，

使用 a 分数 信心 间隔 是 0.78。

这 样本 尺寸 的 56 给出 我 这 精确 那 I 问 为了，

这 利润 的 错误 的 0.08， 但 它 没有 相当 给 我

这 降低 限制 在 这 信心 间隔 那 I 需要 为了 这 情况。

让我们 放 在 a 轻微地 更大 样本 尺寸。

让我们 制作 这 65.

那 给出 我 a 利润 的 错误 的 0.074， 哪个 是 轻微地 更紧 比 这 0.08，

和 让我们 看 什么 那 看起来 喜欢 在 我的 分数 信心 间隔。

如果 I 做 那， 现在 I 看 那 我的 降低 信心 限制 是 多于 这 0.8。

这 观点 的 这 曾是 不是 到…

这 观点 的 这 曾是 真的 到 展示 你 那 它是 重要的 到 理解

什么 它 是 你是 尝试 到 展示， 和 它是 重要的 到 理解

什么 是 它 那 你的 样本 尺寸 计算器 是 提供 到 你。

那里 是 样本 尺寸 计算器 全部 超过 这 互联网。

然后 在 JMP， 我们 有 a 所有的 倒转 的 样本 尺寸 计算器，

探险家 到 看 在。

它是 重要的 到 理解 什么 是 你的 终点，

什么 是 你 尝试 到 解决， 和 什么 是 它 那 你的 计算器

是 计算 为了 你。

一次 你 做 那， 然后 你是 更好的 知情

为了 制作 决策 作为 到 如何 许多 样品 做 你 真的 需要。

让我们 结束 向上 和 只是 a 很少 简短的 评论 在 额外的 主题。

其他 方式 那 你 能 得到 在 样本 尺寸。

一 是 模拟。

你 能 使用 飞行员 数据 到 定义 分布，

使用 随机的 数字 发电机 到 产生 a 学习 基于 在 那些 分布。

然后 你 能 分析 那 数据 到 看 如果 你的 端点 是 的。

是 它 的？ 是的 或者 不？

然后 你 能 重复 那 一些 大的 数字 的 次

和 计算 这 部分 的 次， 你的 端点 是 的。

在 a 感觉， 你的 力量。

如何 可能 是 你 到 见面 你的 端点 给定 你的 假设？

I 喜欢 到 做 那。 模拟 是 有用。

再次， 然而， 它是 全部 基于 在 你的 假设。

如果 你的 假设 是 错误的， 你的 样本 尺寸 可能 不是 是 大的 足够的。

其他 事物 那 经常 發生 是 那 我们 有 到 制作

这 最好的 分配 的 什么 我们 有。

我们 可能 有 1,000 样品 在 这 冰箱

和 我们 知道 什么 他们的 结果 是 和 我们 想 到 测试 他们 在 a 新的 测试

或者 我们 想 到 发展 a 新的 测试。

如何 许多 能 我们 使用 到 火车 一个 算法？

如何 许多 做 我们 需要 到 使用 到 证实 那 算法？

有时 我们 有 到 拿 这 样本 数字 那 我们 有。

使用 这 样本 尺寸 探险家 到 评价 什么 你 可能 是 有能力的 到 总结一下，

和 然后 使用 那些 发现 到 决定 如果 什么 你 有 是 充足的 到 继续

和 这 实验

和 这 发展 的 你的 测试 或者 产品。

这就是 什么 I 有 在 样本 尺寸。 它是 更多的 比 a 数字。

它是 基于 在 什么 它 是 你是 尝试 到 决定

和 如何 你是 去 到 分析 这 数据 一次 你 得到 那 数据。

它是 一个 勘探， 你 想 到 拿 进入 帐户

如何 做 那些 假设 那 你 制作 影响 那些 样本 尺寸

和 对冲 你的 赌注 为了 a 伟大的 结果。

感谢 你， 和 这就是 它。

高级统计建模基础数据分析与建模消费者和市场研究实验设计大规模定制质量与工艺工程