738904_zh-TW

liliconcom

樣本數：不只是一個數字 - (2023-US-30MP-1483)

而問題“我需要多少（部分/主題/運行）？”幾乎每個統計學家都害怕這個問題，這是一個重要的問題，應該在進行任何研究或實驗之前提出。答案似乎很簡單。只需將一些數字輸入計算器即可開始！然而，根據我的經驗，樣本數的計算很少那麼容易。

JMP 16 引入了一整套樣本大小瀏覽器，JMP 17 中添加了更多內容。因為樣本量不僅僅是計算。它是研究設計的一個組成部分，要確定樣本量，需要的不僅僅是數學。本示範探討了從概念到執行的樣本量。雖然這些例子包括醫療設備或診斷研究的樣本量探索，但所學到的經驗教訓適用於各個行業。

什麼 是 去 到 演講 關於 今天 是

a 簡單的 介紹 到 樣本 尺寸 思維。

然後 出色地 看 在 二 例子； 一， 比較 這 意思是 的 二 人口，

和 這 第二， 尋找 在 a 學習 和 a 部分 終點，

和 出色地 裹 向上 和 一些 額外的 想法。

A 問題 我是 常 問 是， 什麼 樣本 尺寸 做 I 需要？

一 可能 思考， 「哦， 那是 簡單的。 只是 使用 a 樣本 尺寸 計算機."

但 等待 a 第二。

為什麼 做 聯合管理計劃 稱呼 樣本 尺寸 計算機 探險家？

為什麼 是 他們 在 這 美國能源部 菜單？ 哪個 一 做 I 使用？

出色地， 讓我們 演講 關於 一些 樣本 尺寸 基礎知識。

A 樣本 尺寸 是 計算出的 事先的 到 跑步 a 學習。

A 學習 是 一個 實驗 設計的 前面 的 時間。

那是 為什麼 他們是 在 這 美國能源部 菜單。

樣本 尺寸 取決於 在 這 目標 的 a 學習。

I 常 稱呼 這， 是 你 製作 a 5 美元 決定 或者 a 50 美元 百萬 決定？

是 你 尋找 在 a 監管 清除，

a 出版品, 一個 研發 問題， 或者 a 簡單的 勘探？

什麼是 這 基本的 終點 的 你的 學習？ 什麼 是 你 嘗試 到 展示？

如何 是 你的 學習 設計？ 什麼 是 你的 結果 假設？

這些 可能 是 基於 在 事先的 知識，

a 飛行員 數據， 或者 經常， 或者 只是 簡單地 猜測。

樣本 尺寸 是 a 風險收益 勘探。

那是 為什麼 他們是 被稱為 樣本 尺寸 探險家。

你 想 到 探索

如何 不同的 假設 是 去 到 影響 你的 樣本 尺寸。

現在， 更多的 是 一般來說 更好的，

但 作為 我們 全部 知道， 更多的 成本 更多的， 和 更多的 可能 不是 是 可能的。

讓我們 開始 和 a 簡單的 例子

的 漿紗 這 學習 為了 比較 二 方法。

出色地 在 這 合身 Y 經過 X 平台，

和 出色地 看 在 這 力量 探險家 為了 二 獨立的 樣本 方法。

這 樣本 尺寸 例子 是 基於 在

a 真實的 情況 在哪裡 a 公司 是 在 這 研發 階段。

他們是 正在做 a 樣本 收藏 學習。 那 可以 是 血， 鼻的 拭子， 唾液。

有 不 基本的 終點 因為 它是 一個 研發 學習。

他們是 仍然 在 這 研發 階段， 但 他們 需要 a 樣本， a 力量 分析。

他們 是 問 為了 力量 分析 經過 這 實體 那 是 考慮到

資金 這 專案.

如何 能 我們 提供 a 力量 分析 沒有 a 基本的 輸入？

出色地， 最好的 想法 這裡 是 一，

我們 可以 說， 「嘿， 我們 不能 做 a 力量 分析，”

或者， 會心 那 這 資金 實體 想要 a 力量 分析

到 展示 那 我們已經 想法 關於 這 學習 和 我們已經 想法 關於 如何 許多 人們

是 詢問 他們 到 註冊， 我們 可以 產生 a 研究 端點。

在 那 案件， 是 去 到 問， 「能 I 區分 這 不同之處 在 方法

之間 我的 生病的 和 健康 科目 為了 一些 基本的 生物 標記？

出色地 使用 這 樣本 尺寸 從 這 力量 分析

和 這 預期的 盛行率 的 身體不適 到 證明合法 這 數位

的 科目, 是 請求 到 註冊 在 這 學習。

I 需要 到 理解 測試 為了 比較 到 獨立的 方法，

和 I 需要 a 計算機 為了 這 力量 的 a 測試 到 比較 到 獨立的 方法。

什麼 I 喜歡 到 問 我 是 如果 I 有 數據， 什麼 會 I 做？

如果 I 理解 什麼 分析 我是 去 到 做，

那是 去 到 幫助 我 決定 什麼 樣本 尺寸 I 需要。

有時 你會 有 飛行員 數據，

和 有時 你 能 只是 製作 向上 數據 到 幫助 你 數位 出去

什麼 分析 是 你 去 到 做 和 什麼 樣本 漿紗 應該 你 做。

讓我們 拿 a 看 在 這。

我是 去 到 打開 a 數據 桌子， 和 這 是 只是 產生的 數據。

我已經 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 經過 X.

患病的 做 a 夫妻 的 事物 這裡： 我們的 範圍， 我是 去 到 抖動 我的 點,

我是 去 到 跑步 a T 檢驗， 和 I 喜歡 到 看 在 這 密度。

這是 二 例子 的 什麼 一些 數據 可能 看 喜歡。

在 這 左邊 是 a 相當 分開 人口

的 結果， 這 生物標誌物 數位 一。

這 不同之處 是 關於 2、2.5。

這些 是 產生的 從 a 普通的 分配

作為 是 這 那些 在 這 右手 邊。

這裡， 這 不同之處 是 a 小的 較少的。

你 能 看 在 兩個都 地方,

我們 會 得出結論 那 有 a 不同之處 之間 這些 二 人口。

這 一 在 這 正確的 存在 更接近 一起

是 更難 到 區分 比 這 一 在 這 左邊。

我們 用過的 a T檢驗 為了 那。

現在 這 問題 變成，

如何 許多 樣品 會 I 需要

如果 我是 去 到 跑步 這 實驗？

再次， 讓我們 看 在 那。

讓 我 只是 步 透過 我的 工作流程 建設者

所以 它 關閉 向下 我們的 數據 表。

美國能源部 樣本 尺寸 探險家 p 華。

I 想 力量 為了 二 獨立的 樣本 方法。

I 拉 那 向上， 你會 看 那 有 相當 a 很少 事物 到 看 在。

第一的， 我們 有 這 測試 類型。 它是 去 到 是 雙面的。

我們的 阿爾法 是 0.05,

和 這 團體 人口 標準 偏差 是 不是 假定 到 是 已知。

是 猜測 在 那些。

到 計算 我的 樣本 尺寸， I 需要 到 充滿 在 這 資訊.

這 是 我的 計算機 部分。 I 有 二 組。

我是 去 到 開始 超過 這裡 在 這 右手 邊。

I 有 二 團體 標準 偏差 到 放 在 估計 為了。

我是 去 到 認為 那 一 團體 是 較少的 多變的 比 這 其他 團體。

下一個， I 需要 到 充滿 在 這 不同之處 到 探測。

這裡， 我是 使用 標準 偏差 單位，

和 我是 去 到 說 I 想 到 探測 a 一 標準 偏差 單元 不同之處。

下一個， 我已經 得到 正確的 現在 樣本 尺寸 的 30 在 每個 團體

那 給出 我 a 非常 高的 力量。

我是 去 到 降低 這 力量 到 90、

和 I 看 那 為了 a 力量 的 90 到 探測 a 不同之處 的 一

之間 這些 二 團體， I 需要 a 樣本 尺寸

的 15 科目 在 每個 團體。

那 似乎 合理的。

現在， 你 能 看 在 這些 圖形 到 看 那

如何 你的 猜測， 你的 假設 可能 影響 這 力量 的 你的 學習。

我們 能 看 那 這 標準 偏差 有 相當 a 位元 的 影響。

作為 我的 標準 偏差 增加，

所以 我的 數據 變成 更多的 傳播 出去， 我的 力量 減少。

它是 去 到 是 更難 到 探測 這 不同之處。

你 能 看 是 在 a 甜的 點 在 這 樣本 尺寸。

作為 I 增加 這 樣本 尺寸，

我的 力量 是 去 到 增加， 但 不是 可怕 大大。

作為 I 減少， 如果 I 去了 向下 到 關於 10、

我的 力量 是 去 到 去 向下 到 關於 八。

但 讓我們 去 後退 到 這 觀點 現在。

I 想 關於 15 樣品 每 團體。

在 這 實例， 到 得到 15 積極的 樣品

從 a 學習 在哪裡 我是 招生 人們，

和 如果 I 有 a 10 % 盛行率 速度

的 疾病 超過 這 學習 時期， I 會 需要 關於 150 科目。

如果 這 盛行率 曾是 低的 或者 說， 僅有的 5%, 然後 I 會 需要 300 科目。

再次， 樣本 尺寸 是 a 風險 益處 計算，

所以 我們 想 到 考慮 各種各樣的 樣本 尺寸。

全部 正確的， 現在 到 我們的 第二 例子。

這 是 漿紗 a 學習 和 a 部分 端點。

出色地 使用 這 分配 平台

和 出色地 使用 這 間隔 探險家 為了 一 樣本 部分。

這 是 基於 在 這 問題 的 如何 許多 樣品 做 I 需要

到 證明 靈敏度 和 特異性 為了 監管 歸檔？

I 做 a 很多 的 工作 在 診斷。

在 診斷， 靈敏度 是 簡單地 這 部分 的 積極的 案例

那 你的 測試 來電 積極的， 和 這 特異性 是 這 部分

的 消極的 案例 那 你的 測試 來電 消極的。

我們 一般來說 計算 樣本 尺寸 為了 每個 的 這些 指標 單獨地，

和 然後 我們 添加 為了 這 全部的 樣本 尺寸 為了 a 回顧性的 學習

在哪裡 我已經 已經 得到 樣品， 也許 在 a 冰箱 或者 從 a 夥伴，

和 我是 只是 去 到 拉 出去 這 那些 那 I 需要。

為了 a 預期 學習， 再次， 我們 會 使用 這 盛行率

到 計算 這 全部的 數位 的 科目 到 註冊，

相似地 作為 我們 做過 在 這 最後的 例子。

再次， 我們 需要 一些 初步的 資訊.

這 目標 的 這 學習 是 a 監管 歸檔，

所以 a 高的 等級 的 證據 是 需要。

然後 這 特別的 產業 部門， I 需要 到 證明

那 這 降低 信心 限制 為了 靈敏度 和 特異性

是 更大 比 80 %。

這 學習 設計 是 a 回顧性的 學習。

它是 a 審查 的 CT 掃描 .

這 假設 是 那 這 靈敏度 的 識別

這 結果 是 0.9 和 特異性 是 0.85。

I 需要 到 理解 這 信心 間隔 作為 一個 結果，

和 I 需要 a 計算機 為了 信心 間隔 為了 部分。

再次， 這 問題， 如果 I 有 數據， 什麼 會 I 做？

讓我們 看 在 那。

再次， I 產生的 一些 數據。

I 有 a 參考 標準 在哪裡 I 有 關於 145 消極的 樣品

和 144 積極的 案例 或者 樣品。

然後 I 有 這 測試 結果， 積極的 和 消極的。

你 能 看 他們是 不是 完美的。

一些 的 這 案例 那 這 測試 來電 消極的 是 實際上 積極的，

和 一些 的 這 案例 那 這 測試 來電 積極的 是 實際上 消極的。

如何 會 I 看 在 這？

出色地， I 可以 製表 它

和 來 向上 和 這 % 的 積極的 案例 那 這 測試 來電 積極的

和 這 % 的 消極的 案例 那 這 測試 來電 消極的。

但 I 想 信心 間隔。

我是 去 到 使用 這 分配 平台，

和 我是 去 到 看 在 這 部分 在 這 測試 案例 經過 這 參考 案件。

再次， 讓我們 添加…

我們 想 到 添加， 對不起， 錯誤的 紅色的 三角形 菜單。

我們 想 到 添加 信心 間隔，

和 I 握住 向下 我的 控制 鑰匙 到 pod送 那些。

現在 I 能 看 和 看 什麼是 去 在 這裡。

為了 這 案例 那 經過 這 參考 是 積極的，

這 新的 方法 來電 135 的 那些 積極的， 所以 93.75,

和 I 有 我的 信心 間隔 那 去 從 88-96.6

你會 看 這 筆記 這裡 那 說， 計算的 使用 分數 信心 間隔。

然後 這 事物 到 筆記 這裡

是 那 a 分數 信心 間隔 是 不是 對稱。

我們 能 看 在 那。

這裡 I 產生的 a 形象的，

和 你 能 看 那 什麼時候 是 在 這 低的 結尾，

所以 a 可能性 的 0.1,

你 能 看 那 這 上 信心 限制 是 更高

作為 比較的 到 這 觀點 估計 比 這 降低 信心 間隔。

這 觀點 估計 是 不是 居中 在 這 中間 的 這些 信心 間隔。

那是 只是 這 自然 的 這 核 信心 間隔。

這 問題 現在 是，

如何 許多 樣品 做 I 需要 到 展示 那

我的 降低 信心 限制 是 在 至少 0.8, 給定 這 假設 的 這裡

我們 有 為了 靈敏度， 哪個 是 這 積極的 邊，

那 我們 是 去 到 是 更大 比 0.9, 和 在 這 消極的 邊

那 我們 是 去 到 是 更大 比 0.85。

這裡 我們 能 看 那 在 0.85, 我的 降低 信心 限制 是 僅有的 0.78。

I 會 需要 a 很少 更多的 樣品 在 命令 到

展示 那 我的 降低 信心 限制 是 更大 比 0.8。

再次， 這 問題 是 現在 那 I 理解 什麼 我是 尋找 為了

是 如何 很多 數據 應該 I 收集？

讓我們 去 到 美國能源部 樣本 尺寸 探險家，

信心 間隔 為了 一 樣本 部分。

讓我們 放 在 這 例子 這裡。

讓我們 放 在 我們的 部分 的 0.9375,

和 這 樣本 尺寸 那 我們 有 用過的 這裡， 哪個 曾是 144.

I 有 左邊 這 間隔 類型 作為 雙面,

信心 間隔， 信心 等級 是 95 %。

和 這 樣本 尺寸 的 144、 如果 我的 部分 來了 出去 到 是 93.75,

我的 利潤 的 錯誤 是 0.04。

好吧，好吧， 什麼是 利潤 的 錯誤？

利潤 的 錯誤 是 這 一半 寬度 的 這 信心 間隔。

如果 它 曾是 a 對稱的 信心 間隔，

它 會 是 你的 加 或者 減 價值 超過 你的 觀點 估計。

但 在 這 案件 的 a 分數 信心 間隔，

和 那是 什麼 這 計算機 是 基於 在，

這 是 這 一半 寬度 的 你的 信心 間隔。

但 我們 能 看 那…

和 這 93.75, 這 利潤 的 錯誤 的 0.04,

它是 不是 簡單地 a 減 0.04 從 這 93.75

因為 我們 注意到 那 什麼時候 我們 做過 這 計算

那 我們的 降低 信心 限制 曾是 0.88。

這 樣本 尺寸 是 更多的 比 充足的 為了 什麼 我們 需要。

我們 僅有的 需要的 a 信心 限制 的 0.8。 讓我們 做 那 計算。

讓我們 放 在 我們的 假定 價值 的 0.9,

和 讓我們 放 在 a 利潤 的 錯誤 的， 說， 0.08。

我們 知道 那 0.1 是 去 到 低估 我們的 樣本 尺寸。

如果 我們 做 這 和 我們 說， 全部 正確的， 為了 a 部分 的 0.9,

利潤 的 錯誤 是 0.08, 我們的 樣本 尺寸， 它 說， 是 56.

好的， 出色地， 讓我們 仔細檢查 那。

到 做 那，

I 建造的 a 計算機

在哪裡 I 能 放 在 我的 假定 部分 和 I 能 放 在 這 價值 的 56.

如果 I 跑步 這 分配，

和 什麼 I 做過 這裡 是 I 有 一個 結果 的 一 和 零， 和 I 有 a 頻率。

如果 I 重新啟動 這，

I 使用 這 結果 和 I 使用 這 頻率 柱子

到 給 我 這 分配 作為 如果 I 有 51 年代 和 六 零點 在 我的 數據 文件。

出色地， 什麼 做 那 看 喜歡？

和 a 樣本 尺寸 的 56、

a 部分 的 關於 0.9, 我的 降低 信心 限制，

使用 a 分數 信心 間隔 是 0.78。

這 樣本 尺寸 的 56 給出 我 這 精確 那 I 問 為了，

這 利潤 的 錯誤 的 0.08, 但 它 不 相當 給 我

這 降低 限制 在 這 信心 間隔 那 I 需要 為了 這 情況。

讓我們 放 在 a 輕微地 更大 樣本 尺寸。

讓我們 製作 這 65.

那 給出 我 a 利潤 的 錯誤 的 0.074, 哪個 是 輕微地 更緊 比 這 0.08,

和 讓我們 看 什麼 那 看起來 喜歡 在 我的 分數 信心 間隔。

如果 I 做 那， 現在 I 看 那 我的 降低 信心 限制 是 多於 這 0.8。

這 觀點 的 這 曾是 不是 到…

這 觀點 的 這 曾是 真的 到 展示 你 那 它是 重要的 到 理解

什麼 它 是 你是 嘗試 到 展示， 和 它是 重要的 到 理解

什麼 是 它 那 你的 樣本 尺寸 計算機 是 提供 到 你。

那裡 是 樣本 尺寸 計算機 全部 超過 這 網際網路.

然後 在 傑普, 我們 有 a 所有的 屠殺 的 樣本 尺寸 計算機,

探險家 到 看 在。

它是 重要的 到 理解 什麼 是 你的 終點，

什麼 是 你 嘗試 到 解決， 和 什麼 是 它 那 你的 計算機

是 計算 為了 你。

一次 你 做 那， 然後 你是 更好的 知情的

為了 製作 決定 作為 到 如何 許多 樣品 做 你 真的 需要。

讓我們 結束 向上 和 只是 a 很少 簡短的 評論 在 額外的 主題。

其他 方式 那 你 能 得到 在 樣本 尺寸。

一 是 模擬。

你 能 使用 飛行員 數據 到 定義 分佈，

使用 隨機的 數位 發電機 到 產生 a 學習 基於 在 那些 分佈。

然後 你 能 分析 那 數據 到 看 如果 你的 終點 是 的。

是 它 的？ 是的 或者 不？

然後 你 能 重複 那 一些 大的 數位 的 次

和 計算 這 部分 的 次， 你的 終點 是 的。

在 a 感覺， 你的 力量。

如何 可能 是 你 到 見面 你的 終點 給定 你的 假設？

I 喜歡 到 做 那。 模擬 是 有用。

再次， 然而， 它是 全部 基於 在 你的 假設。

如果 你的 假設 是 錯誤的， 你的 樣本 尺寸 可能 不是 是 大的 足夠的。

其他 事物 那 常 發生 是 那 我們 有 到 製作

這 最好的 分配 的 什麼 我們 有。

我們 可能 有 1,000 樣品 在 這 冰箱

和 我們 知道 什麼 他們的 結果 是 和 我們 想 到 測試 他們 在 a 新的 測試

或者 我們 想 到 發展 a 新的 測試。

如何 許多 能 我們 使用 到 火車 一個 演算法?

如何 許多 做 我們 需要 到 使用 到 證實 那 演算法?

有時 我們 有 到 拿 這 樣本 數位 那 我們 有。

使用 這 樣本 尺寸 探險家 到 評價 什麼 你 可能 是 有能力的 到 結論是，

和 然後 使用 那些 發現 到 決定 如果 什麼 你 有 是 充足的 到 繼續

和 這 實驗

和 這 發展 的 你的 測試 或者 產品。

那是 什麼 I 有 在 樣本 尺寸。 它是 更多的 比 a 數字。

它是 基於 在 什麼 它 是 你是 嘗試 到 決定

和 如何 你是 去 到 分析 這 數據 一次 你 得到 那 數據。

它是 一個 勘探， 你 想 到 拿 進入 帳戶

如何 做 那些 假設 那 你 製作 影響 那些 樣本 尺寸

和 對沖 你的 賭注 為了 a 偉大的 結果。

感謝 你， 和 那是 它。

進階統計建模基礎資料分析與建模消費者與市場研究實驗設計大規模客製化品質和工藝工程