Viisi vaiheet laskeminen Näytteen Size

Lähes kaikki myöntämistä edellyttävät, arvio riittävä otoskoko havaita vaikutuksia oletettu tutkimuksessa. Mutta kaikki tutkimukset ovat hyvin palvelee arviot otoskoko, koska se voi säästää paljon resursseja.

Miksi? Alamittaisia ​​tutkimuksissa ei löydä todellisia tuloksia ja ylimitoitettu tutkimusten löytää myös epäolennaisia ​​niistä. Sekä alamittaiset ja ylimitoitettu tutkimukset tuhlata aikaa, energiaa ja rahaa; entinen käyttämällä resursseja löytämättä tuloksia ja jälkimmäinen käyttämällä enemmän resursseja kuin on tarpeen. Molemmat altistavat tarpeeton määrä osallistujia kokeellisen riskejä.

Temppu on koko tutkimuksen, niin että se on vain tarpeeksi suuri havaita vaikutusta tieteellistä merkitystä. Jos vaikutus osoittautuu isompi, niin paljon paremmin. Mutta ensin sinun täytyy kerätä joitakin tietoja, joiden perusteella arvioiden.

Kun olet kerännyt nämä tiedot, voit laskea käsin käyttäen kaavaa monissa oppikirjoissa, käyttää yksi monista erikoistunut ohjelmistopaketteja, tai luovuttaa sen tilastotieteilijä, riippuen monimutkaisuudesta analyysin. Mutta riippumatta siitä, mihin suuntaan tai tilastotieteilijä laskee se, sinun täytyy ensin tehdä seuraavat 5 vaiheet:

Vaihe 1. Määritä hypoteesitestin.

Useimmat tutkimukset on monia hypoteeseja, mutta otoskoko laskelmat, valita jonkun kolmesta hypoteeseja. Ne selkeään kannalta null ja vaihtoehtoinen hypoteesi.

Vaihe 2. Määritä merkitsevyystaso testin.

Se on yleensä alfa = 0,05, mutta se ei tarvitse olla.

Vaihe 3. Määritä pienin vaikutus koko, joka on tieteellinen kiinnostus.

Tämä on usein vaikein vaihe. Tässä kohdassa ei ole eritellä vaikutus koko, joka sinua odottaa löytävänsä tai että muut ovat löytäneet, mutta pienin vaikutus koko tieteellinen kiinnostus.

Mitä tämä tarkoittaa? Mitään vaikutusta koko voi olla tilastollisesti merkittäviä, jossa on riittävän suuri näyte. Sinun tehtäväsi on selvittää, missä vaiheessa työtovereiden sanovat, "Mitä jos se on merkittävä? Se ei vaikuta mitään!"

Joidenkin tulos muuttujia, oikea arvo on ilmeinen; toisille, ei ollenkaan.

Esimerkkejä:

* Jos hoidon alensi ahdistusta 3%, olisi se todella parantaa potilaan elämästä? Kuinka suuri olisi pudotus olla?
* Jos vasteajat ärsyke kokeellisessa kunnossa olivat 40 ms nopeammin kuin kontrolliryhmässä kunnossa, ei se merkitse mitään? On 40 ms ero mielekästä? On 20? 100?
* Jos 4 vähemmän kovakuoriaisia ​​havaittiin per kasvi kanssa hoidon kuin ohjaus, olisiko se todella vaikuttaa kasvin? Voi 4 enemmän kovakuoriaisia ​​tuhota tai jopa stunt, kasvi, vai vaatiiko se 10? 20?

Vaihe 4. Arvio arvoja muiden parametrien tarpeen laskea potenssifunktio.

Useimmat tilastolliset testit ovat muotoa vaikutus /keskivirheen. Olemme valinneet arvon vaikutus vaiheessa 3. Keskivirhe on yleensä keskihajonta /n. Kun haluat ratkaista n, joka on tästä kaikesta, me tarvitsemme arvo keskihajonta. On vain kaksi tapaa saada se.

1. Paras tapa on käyttää tietoja pilottitutkimuksen laskea keskihajonta.

2. Toinen tapa on käyttää historiallista tieto- -Toinen tutkimus, käytti samaa riippuva muuttuja. Jos sinulla on useampi kuin yksi tutkimus, vielä parempi. Keskimääräinen niiden keskihajonnat luotettavampi arvio.

Joskus molemmat tietolähteitä voi olla vaikea löytää, mutta jos haluat otoskokoja jotka ovat edes etäisesti tarkkoja, tarvitset yhden tai muita.

Vaihe 5. Määritä tarkoitettu voiman testin.

voima testi on todennäköisyys löytää merkitystä, jos vaihtoehtoinen hypoteesi on totta.

voima 0,8 on minimi. Jos se on vaikea uusintana tutkimuksen tai lisätään muutamia osallistujia, teho 0,9 on parempi. Jos haet avustusta, teho 0,9 on aina parempi.

Nyt Laske.
.