什么是统计能力？| 统计

转到

学习

什么是统计能力？| 统计

功率是一系列相同研究检测出具有统计学意义的影响（如 p<0.05）的长期概率。在一系列相同的研究中，出现2 型错误的概率是功率（1-ß，通常为 20%）减去 1。

例如

100 项研究在同一人群中进行，采用相同的治疗 A 与治疗 B 结构。在现实生活中，A 和 B 之间真正的治疗差异是 A 治疗完全康复的几率要高出 30%。对这 100 项研究进行统计（相同的人群、相同的方差、相同的标准差），平均约有 20 项研究不会显示出具有统计学意义的效果。这就是第二类错误率或假阴性率--与统计能力（1-ß）直接相关。

因此，简单地说，动力不足的研究较少会显示出具有统计学意义的效果，而实际上是存在差异的。

这影响了功率

功率受几个因素的影响，就像p 值一样。

样本量：样本量越大 = 能力越强（组间差异越明显，数据噪音越小）
方差：方差越小 = 功率越大
效应大小：更大的效应大小 = 更强的能力（更容易通过测试发现）
统计检验的类型：有些检验会产生更强的能力，但需要更多的假设（统计中没有免费的午餐）。

但必须明白的是，统计能力（如 80%）是针对一种测量工具、一个时间点、一种效应大小而言的。

功率低 = 研究不可靠

因此，研究力量不足会增加第二类错误（假阴性）的风险，但同时也会增加第一类错误（假阳性）的风险，从而夸大效果。这就是所谓的 "胜利者的诅咒"。这就是为什么你根本无法在一个样本量中加入多个结果测量指标，并在多个时间点进行测量，而不使统计能力崩溃的原因。优秀的研究人员和临床医生都知道，次要结果测量仅仅是提示性的，因为研究并不具备测量这些结果的能力。你需要新的研究来证实这些建议。上述问题被称为多重比较问题。

我可以想象这听起来有点违背直觉。我们来看一个例子。

例如

您正在给 200 名学生讲课，决定将他们分成两组。您的研究目的是了解是否存在性别差异，比如一组中女性人数多于另一组。没有区别。然后再看眼睛颜色、头发颜色、食指长度、卧推成绩、QOL、年龄、兄弟姐妹数量等。你有可能会在某个地方遇到具有统计学意义的结果。这就是多重比较问题。

解决方案

为了避免研究力量不足以及出现假阳性或假阴性的风险，研究人员在规划研究时必须有足够的研究力量。这就需要考虑样本量、效应大小、方差和所使用的统计检验等因素。多重测试也会带来误报风险，这可以通过调整显著性水平或使用误报率控制等方法来解决。通过了解统计能力的概念及其在假设检验中的重要性，研究人员可以设计出产生可靠而有意义结果的研究。