t 检验的样本量：如何计算？
您是否知道，计算 t 检验的样本量是 数据分析，这可以节省您的时间和金钱？您是否知道足够的样本量可以使您的结果更可靠？尽管它很重要，但许多研究人员在收集和分析数据时并没有解决这一步骤，这可能会损害其结果的可靠性。幸运的是，这个经常被忽视的步骤非常简单！
在本文中，我们将介绍使用优秀的免费统计程序计算 t 检验样本量的正确方法。
当前困境
计算样本量对于确定需要多少参与者才能检测到显着效果是必要的。 如果样本量太小，可能无法检测现有的效果。 然而，大样本可能会浪费时间、资源和金钱。 因此，优化样本量至关重要。
此外，越来越需要在研究设计阶段计算样本量，例如，在寻求伦理委员会批准涉及人类或动物的研究项目以及随后的发表时。
解决方案
为了计算 t 检验的样本量，我们将使用 G*Power，这是一个优秀的免费程序，用于计算各种分析的样本量。
首先， download、安装并打开该程序。
接下来，选择所需的检验，即独立样本 t 检验。 单击 测试：平均值：两个独立组 标签。 现在，让我们填写字段！
现在，让我们填写字段！
1. 尾巴： 如果测试是单尾，则选择“一”；如果测试是双尾，则选择“二”。 如果您的备择假设是一组的均值大于另一组的均值，请使用单尾检验。 但是，如果您的替代假设是各组之间的均值不同，且不区分哪个较高或较低，请使用双尾检验。 该假设基于研究领域的现有知识。 如果不确定，请将选项保留为“二”。
2. α err prob = 显着性水平（α）： 当原假设 (H0) 为真时，拒绝原假设 (H0.05) 的概率（I 类错误）。 常用值为 0.01 或 0.05。 例如，显着性水平 5 表示在没有实际差异的情况下得出存在差异的结论的风险为 XNUMX%。
3. 功效 (1 – β err prob) = 测试功效 (1 – β)： 如果原假设为假，则拒绝原假设的概率，即检验对 II 类错误的控制程度。 可接受的值通常在 0.80 到 0.99 之间。 测试的功效越高，
4、分配比例N2/N1=组间分配比例N2/N1： 如果您希望两个组的样本量相同，则输入值 1。如果您希望组之间有其他分配比率，请输入所需的值。
5. 效应量 d = 科恩效应量 (d)： 该度量代表测试组之间检测到的差异的强度。 按照惯例，d = 0.20 被认为是弱的，d = 0.50 被认为是中等的，d = 0.80 被认为是强的。 要为样本量计算设置 d，请单击“确定 =>”，将打开一个新选项卡。 在此新选项卡中，我们必须输入两组平均值 (Mean) 和标准差 (SD σ) 的值
假设您正处于计算研究样本量的阶段。 在这种情况下，您可能仍然需要收集数据来计算平均值和标准差。 对于此计算，您需要从具有少量观测值的试点集合中获得估计值。 这些值也可以从与您的研究相似的种群、物种或条件的其他研究中获得，甚至可以从理论模型中获得。
现在点击 计算并传输到主窗口. 将计算数据的估计 d 值，并填写效果大小 d 字段。
最后，点击 计算，瞧……现在您有了总样本量以及第 1 组和第 2 组的样本量！
要计算相关样本 t 检验的样本量，请单击 测试：平均值：两个依赖组（匹配对） 标签。
然后完全按照我们在独立样本 t 检验中学到的数据填写数据。 唯一的区别是现在您需要输入一个值 组间相关性。 然后，使用试点收集数据在两组之间运行皮尔逊相关以获得该值。 最后填写得到的r值。
结束语
计算 t 检验的样本量是获得更可靠结果、节省时间和资源的一个简单但必不可少的步骤。 您需要一些有关计算中比较的两组的初步数据。 这些数据可以来自试点收集、从其他类似研究中汇编或从理论上估计。
既然您已经学会了如何确定样本量，您是否准备好发现执行完美 t 检验的关键？ 阅读本文以了解： t 检验的秘密.
想要了解如何在 G*Power 中计算样本量以进行最关键的推理分析？
不要错过 免费 我们最近推出的数字图书样本！
在这本书中，你将掌握独立或配对 t 检验的样本量计算；单向或双向方差分析（有或无重复测量）和混合模型；简单和多重线性和 逻辑回归等等。
单击此链接并发现它所提供的一切： 应用统计学：数据分析.
