逻辑回归中的样本量：简单的二元方法
本文将指导您如何计算 简单二元逻辑回归的.
我们将使用流行的免费软件 G*功率，它是用于此目的最常用的软件之一。
我们 之所以 撰写这篇文章，是因为我们意识到许多基于 G*Power 的在线样本量计算教程都不准确。
选择逻辑回归分析
下载并安装 G*Power 后，打开它，然后单击 逻辑回归 分析的样本量计算选项。 “测试”>“相关性和回归”>“逻辑回归”选项卡，选择
一尾还是二尾？
接下来，输入以下 参数:
在 “尾部”中，选择 “一” 表示单尾检验，选择 “二” 表示双尾检验。
A 单尾的说明。 检验适用于特定的备择假设，例如“X 值增加对应于事件发生的概率增加“
A 双尾 检验适用于一般的备择假设，例如“X 影响事件 Y”，而无需预先区分方向。
基于你所在领域的现有知识提出假设。如果不确定，请选择 双尾检验.
显着性水平
显着性水平 (α) 表示当原假设为真时拒绝原假设并导致 I 类错误的概率。
通常，α 值设定为 0.05 或 0.01。例如，α 值为 0.05 表示有 5% 的风险得出存在显著关系的结论，而实际上并不存在这种关系。
统计功效
The 功效（1 – β） 是指当原假设为假时拒绝原假设的概率，从而有效地控制 II 类错误（β）。
可接受的数值通常在 0.80 和跟 0.99之间。更高的检验效能固然更好，但也会增加所需的样本量。
其他解释变量的 R² (X)
由于简单的二元逻辑回归模型只有一个自变量，因此将此值设置 为零.
变量 X 分布
选择 变量 X 的分布类型，变量 X 是模型中的自变量或预测变量。
二分类变量选择 Binomial 用于二元变量， 正态分布 ，离散变量选择 泊松分布 。仅在必要时才使用其他可用分布。
试验研究？
最后四个参数需要通过试点研究、类似研究或理论计算得出 人口估计值。 来自试点研究、类似研究或理论计算。
如果可能，请使用 试点研究的数据，我们将在本文中进行演示。
估计平均值和标准差
分别从试点研究数据中输入变量 X 的均值和标准差，作为 变量 X 的总体均值和 变量 X 的总体标准差 参数。
初步分析
利用试点研究数据进行 初步的 简单逻辑回归分析，得到最后两个参数。
为了演示，我们将使用免费且易于使用的 PSPP 软件。任何能够运行逻辑回归的 软件都可以使用。 能够运行逻辑回归的软件可以使用。
赔率比
The 比值比 表示暴露与结果之间的关联，并衡量效应大小。
使用 PSPP 中的试点数据进行 初步分析，以获得 与 PSPP 中的试点数据一起获得 比值比 比值（本例中变量 X 的 Exp(B) 为 1.48），并将其输入 G*Power。
H1 下 y = 0 的概率
最后一个参数是 当原假设 (H0) 为真时，即当自变量 (X) 的系数等于 0 时，因变量 (y = 1) 出现的概率，并且模型只包含截距。
要计算此值，请将上一步中的 常数（截距）估计值 B输入到以下 Excel 公式中： 从上一步到以下 Excel 公式：
=EXP(B)/(1+EXP(B))
对于我们的例子：
=经验值(-1.85)/(1+经验值(-1.85))
=0.1355
结语
在 G*Power 中输入所有参数后，点击 计算 即可获得计算确定的样本量！
在我们的 例子中，要确定估计的优势比，所需的样本量是从目标人群中随机抽取的 97 个个体。
通过按照这些 步骤 并使用 G*Power，您可以有效地计算简单二元逻辑回归分析的适当样本量。
这个 过程 可以帮助你优化研究设计，最大限度地减少误差，并提高研究结果的有效性。
此外， 了解 不同参数在确定样本量中的作用有助于全面掌握逻辑回归。
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？
千万不要错过我们最新推出的电子书的 FREE 来自我们最近推出的数字书籍的样本！
在里面，您将掌握独立或配对 t 检验的样本量计算； 单向或双向方差分析，有或没有重复测量，以及混合模型； 简单、多元线性和逻辑回归等等。
点击此链接，探索其全部内容： 应用统计学：数据分析.
