内容来自：“小白学统计”微信公众号，感谢作者授权
这两天看到一个研究设计方案，其中里面有关于样本量估算部分，个人感觉比较有意思，特地拿出来介绍一下，各位可以考虑一下。当然，下面介绍的内容（包括指标、研究因素等）都是修改过的，只是说一下这个思路。
该研究拟对5种常见药物的疗效进行评价（疗效用有效率表示），采用了单组目标值法，即设定一固定的有效率参数（如90%），看这5种药物在治疗后一段时间（如1个月），其有效率是否能达到90%。
思路看起来不难，就是一个单组的假设检验，根据研究数据的有效率，与已有参数进行比较。该研究方案中关于样本量的估算是这样的：采用单组目标值法，假定每种药物的有效率均为80%，然后采用单样本率的比较，设定alpha为0.05，把握度为0.9，固定参数（有效率）为90%，采用PASS软件不难得到样本量为122。然后考虑到一共5种药物，根据122*5=610例。以此作为最终的样本量。
以下为思考的分割线。大家可以想一想，这一样本量估算结果是否合理。考虑好后再看下面的内容。
我们再来看一下这一样本量估算结果。其实关键的问题在于，是否需要在估算出样本量之后再乘以药物的数目。研究方案的设想是，既然有5种药物，那对每一种药物分别分析，所以需要乘以5。
但是，从假设检验的角度重新考虑一下。这里的5种药物分别进行检验，是一个什么问题呢？其实就是多重假设的问题，你可以可以理解为分层，分层分析每一药物的有效率是否达到了预期目标。这种情况下，对于多重假设检验，通常会产生假阳性错误，因为假设检验的次数太多了，做的决策太多了，做决策多了，必然就更容易犯错误，所以假阳性的错误就升高了。所以，为了降低假阳性错误，需要控制一类错误。最常见的方法就是把检验水准总体控制在0.05，也就是说，把做了5次决策总的犯错误的率控制在0.05。那对于每一种药物来说，就可以控制在0.05/5=0.01。当然这是平均分的情况下，也就是认为每种药物的重要性是一样的。如果认为有的药需要更严格控制，也可以把其中一种的一类错误设为0.001，这都没问题，取决于你的专业知识和研究目的。
也就是说，其实本研究不需要对总例数乘以5，只需要控制总的阳性错误。在计算样本量的时候，可以把一类错误设为0.01，此时估算的样本量为166。
当然，其实这个研究还有一个隐藏的问题或者说矛盾是：这5种药物是否需要分层。理论上，如果需要分层，那意味着这5种药物的有效率本身就不同，可能有的是70%，有的是80%，设定的目标值参数也可能有所不同（视研究目的而定）。而该研究方案尽管提出了要根据药物分5种，但5种药物假定的有效率完全相同，目标值也完全相同。换句话说，研究方案已经默认了5种药物是一致的，那这种情况下，是否还有必要分层呢？所以这是一个矛盾所在：如果要分层，但又假定每层的参数和统计量完全相等；如果不需要分层，却又根据层数扩大了例数。
所以，通过这个案例主要是想说，样本量估算公式很容易，利用软件也很容易求出具体的估算值。但是比样本量估算公式更重要的是研究目的和研究思路。一定要有明确的研究目的，而且一定要弄清楚研究内容如何去适配研究目的，否则很容易陷入矛盾境地。
医咖会在2023年上线了样本量计算小工具，将既往推出的样本量计算教程融入到每一步操作中，并有每个参数的说明以及取值建议。
