How to Conduct a Power Analysis to Determine Sample Size
Table of Contents
Einführung: Warum Power Analysis wichtig ist
Jede Forschungsstudie beginnt mit einer grundlegenden Frage: Wie viele Teilnehmer brauche ich? Wenn ich eine Studie mit zu wenigen Teilnehmern durchführe, riskiere ich, einen echten Effekt (ein falsches Negativ) zu verpassen, während eine übermäßig große Studie Zeit, Geld und Ressourcen verschwendet. Leistungsanalyse Diese Artikel geht durch den gesamten Prozess der Durchführung einer Stromanalyse, die die wichtigsten Komponenten, schrittweise Methoden, Softwareoptionen und häufige Fallstricke abdeckt. Ob Sie eine klinische Studie, ein sozialwissenschaftliches Experiment oder eine industrielle Qualitätskontrollstudie planen, die Leistungsanalyse stellt sicher, dass Ihre Forschung sowohl effizient als auch statistisch gültig ist.
Was ist Power Analysis?
Die Leistungsanalyse ist ein statistisches Verfahren zur Bestimmung der Stichprobengröße, die erforderlich ist, um eine gewünschte Wahrscheinlichkeit für die korrekte Ablehnung einer falschen Nullhypothese zu erreichen (d. h. die Erkennung eines wahren Effekts); sie gleicht vier miteinander verbundene Variablen aus: Effektgröße, Signifikanzniveau (α), statistische Leistung (1 – β) und Stichprobengröße. Durch Angabe von drei Variablen kann die vierte berechnet werden. In der Praxis setzen die Forscher α und Leistung auf konventionelle Werte (0,05 bzw. 0,80), schätzen die Effektgröße aus früheren Arbeits- oder Pilotdaten ab und lösen dann die erforderliche Stichprobengröße.
Das Konzept der statistischen Macht wurde formalisiert durch Jacob Cohen In den 1960er Jahren und bleibt ein Eckpfeiler des experimentellen Designs. Eine Studie mit unzureichender Leistung kann möglicherweise keine signifikanten Unterschiede erkennen, was zu schlüssigen Ergebnissen und verschwendetem Aufwand führt. Umgekehrt kann eine übermächtige Studie statistisch signifikante, aber praktisch triviale Effekte erkennen, die Kosten und ethische Bedenken aufblähen. Eine gut durchgeführte Leistungsanalyse hilft, beide Extreme zu vermeiden.
Schlüsselkomponenten der Stromanalyse
Vor der Durchführung von Berechnungen ist es wichtig, die vier Säulen der Leistungsanalyse zu verstehen: Jede Komponente interagiert mit den anderen; eine Änderung ändert die erforderliche Stichprobengröße.
Effektgröße (δ oder Cohen’s d)
Die Effektgröße quantifiziert die Größe der Differenz oder Beziehung, die Sie erwarten.
- Cohen’s d für Unterschiede zwischen zwei Mitteln (klein = 0,2, mittel = 0,5, groß = 0,8)
- Cohen’s f für ANOVA oder Regression (klein = 0,10, mittel = 0,25, groß = 0,40)
- Odds-Verhältnis oder Risikoquote für kategorische Ergebnisse
- Korrelationskoeffizient (r) für lineare Beziehungen (klein = 0,1, mittel = 0,3, groß = 0,5)
Verwendung realistische Effektgrößen Kritisch. Überschätzt man den Effekt (z. B. einen großen Effekt annehmen, wenn der wahre Effekt klein ist), führt das zu einer unterbewerteten Studie. Wann immer möglich, leiten Sie Effektgrößen aus Metaanalysen, systematischen Reviews oder gut konzipierten Pilotstudien ab. Cohens Konventionen können als grobe Richtschnur dienen, wenn keine vorherigen Daten vorliegen, aber sie sollten domänenspezifisches Wissen nicht ersetzen.
Signifikanzstufe (Alpha, α)
Alpha ist die Wahrscheinlichkeit eines Typ-I-Fehlers, der eine echte Nullhypothese ablehnt. Die meisten Felder nehmen α = 0,05 an, was bedeutet, dass ein Risiko von 5% besteht, einen Effekt zu schließen, wenn dies nicht der Fall ist. In High-Stakes-Einstellungen (z. B. Arzneimittelstudien) kann α auf 0,01 oder 0,001 gesenkt werden. Umgekehrt könnten explorative Studien α = 0,10 verwenden. Die Wahl von α wirkt sich direkt auf die Stichprobengröße aus: kleinere α erfordern eine größere Stichprobe.
Power (1 – Beta)
Die Wahrscheinlichkeit, eine falsche Nullhypothese korrekt abzulehnen, ist die herkömmliche Benchmark 0,80 (80% Leistung), was bedeutet, dass Sie eine 80%ige Chance haben, den angegebenen Effekt zu erkennen, wenn er tatsächlich existiert. Höhere Leistung (z. B. 0,90 oder 0,95) reduziert das Risiko eines Typ-II-Fehlers, erfordert jedoch eine größere Stichprobe. In Bereichen wie der klinischen Medizin schreiben Regulierungsbehörden oft eine Mindestleistung von 0,80 oder 0,90 vor.
Probengröße (n)
Die Stichprobengröße ist die Anzahl der unabhängigen Beobachtungen (Teilnehmer, Einheiten), die benötigt werden, um die gewünschte Leistung zu erzielen. Es ist das Ergebnis der Leistungsanalyse. Da reale Studien oft Teilnehmer durch Ausstieg oder fehlende Daten verlieren, sollten Sie die Angepasster Probenumfang Wenn die Poweranalyse beispielsweise n = 100 ergibt und Sie 20% Abrieb erwarten, rekrutieren Sie 100 / 0,80 = 125 Teilnehmer.
Schritte zur Durchführung einer Stromanalyse
Die Durchführung einer Power-Analyse kann in sechs konkrete Schritte unterteilt werden. Der gleiche Workflow gilt, unabhängig davon, ob Sie spezielle Software oder manuelle Formeln verwenden.
Schritt 1: Definieren Sie Ihre Forschungsfrage und Hypothese
Wenn Sie zwei Gruppen vergleichen, eine Korrelation testen oder Interaktionseffekte untersuchen, geben Sie die Nullhypothese (kein Effekt) und die alternative Hypothese (ein Effekt existiert) an. Die Art des statistischen Tests (t-Test, ANOVA, Chi-Quadrat, Regression) bestimmt die Effektgrößenmetrik und die Berechnungsmethode.
Schritt 2: Schätzen Sie die Effektgröße
Wenn keine Daten verfügbar sind, verwenden Sie als letzten Ausweg die von Cohen vorgeschlagenen Konventionen, aber begründen Sie Ihre Wahl. Dokumentieren Sie die Quelle Ihrer Schätzung, um Transparenz und Reproduzierbarkeit zu unterstützen. Zitieren Sie beispielsweise eine frühere Studie, die einen Cohen-Wert von 0,5 für eine ähnliche Intervention berichtete.
Schritt 3: Alpha und Power setzen
Wenn Sie eine Nicht-Unterlegenheitsstudie oder eine Sekundäranalyse mit mehreren Vergleichen durchführen, müssen Sie möglicherweise Alpha anpassen (z. B. mithilfe der Bonferroni-Korrektur) und die Leistung entsprechend erhöhen.
Schritt 4: Wählen Sie den richtigen statistischen Test
Passen Sie Ihre Hypothese dem entsprechenden Test an.
- Zwei unabhängige Mittel → Zwei-Stichproben-t-Test (verwenden Sie Cohen's d)
- Gepaarte Mittel → gepaarter t-Test (verwenden Sie Cohen's d)z)
- Mehrfachgruppen → ANOVA (verwenden Sie Cohens f oder η2)
- Assoziation zwischen kategorischen Variablen → Chi-Quadrat-Test (Verwendungseffektgröße w oder Cramér’s V)
- Korrelation → Pearson’s r (verwende Fishers z-Transformation)
- Regressionsmodell → F-Test für R2 (verwenden Sie f2 = R2/(1-R2))
Schritt 5: Führen Sie die Stromanalyse mithilfe von Software aus
Moderne Software macht die Stromanalyse einfach.
- G*Strom (kostenlose Desktop-Anwendung): unterstützt t-Tests, F-Tests, Chi-Quadrat, Korrelationen und viele andere Tests, bietet sowohl a priori (Probegröße) als auch post-hoc (erreichte Leistung) Berechnungen.
- Stata (kommerziell): Befehl mit umfangreichen Optionen für randomisierte Studien und Überlebensanalyse.
- R-VerpackungenDie Gruppe ist eine Gruppe, die sich mit der Gruppe (in der Gruppe) beschäftigt.
- Online-Rechner: Verfügbar von der ClinCalc oder UBC Seiten. Verwenden Sie mit Vorsicht; stellen Sie sicher, dass sie Ihrem Testdesign entsprechen.
- SPSS: Eingebautes Modul zur Stromanalyse (erfordert SPSS Statistics Base oder zusätzliche Optionen).
Schritt 6: Passen Sie sich an die Einschränkungen der realen Welt an
Sobald Sie die anfängliche Stichprobengröße haben, berücksichtigen Sie praktische Faktoren:
- Abnutzung und fehlende Daten: Aufblasen n durch Division durch (1 – erwartete Dropout-Rate) Für einen 20%igen Dropout multiplizieren Sie mit 1,25.
- Cluster- oder Mehrebenen-Designs: Design-Effekt verwenden (DE = 1 + (m – 1) × ICC), wobei m die Clustergröße und ICC die Intraklasse-Korrelation ist.
- Mehrere primäre Ergebnisse: Wenden Sie eine Bonferroni oder eine andere Korrektur auf Alpha an und berechnen Sie für jedes Ergebnis neu; Verwenden Sie die größte erforderliche n.
- Budget und MachbarkeitWenn das berechnete n zu hoch ist, sollten Sie iterative Anpassungen in Betracht ziehen – reduzieren Sie die erwartete Effektgröße auf eine realistischere, senken Sie die Potenz auf 0,75 oder akzeptieren Sie eine etwas höhere Alpha.
Praktisches Beispiel: Zwei-Proben-t-Test
Stellen Sie sich vor, Sie testen, ob eine neue Lehrmethode die Testergebnisse verbessert. Sie erwarten einen mittleren Effekt (Cohens d = 0,5), Satz α = 0,05 (zweiseitig), Leistung = 0,80 und planen, einen unabhängigen Samples-t-Test zu verwenden. Mit G*Power:
- Wählen Sie „t-tests“ > „Mittel: Unterschied zwischen zwei unabhängigen Mitteln (zwei Gruppen)“.
- Set ‚Tail(s)‘ = Two, ‚Effect size d‘ = 0.5, ‚α err prob‘ = 0.05, ‚Power (1-β err prob)‘ = 0.80, ‚Allocation ratio‘ = 1.
- Klicken Sie auf „Berechnen. Ergebnis: Gesamtprobengröße = 128 (64 pro Gruppe).
Wenn das Budget Sie auf insgesamt 100 begrenzt, können Sie mit einer Leistung von 0,70 neu berechnen oder eine niedrigere erwartete Effektgröße akzeptieren, wenn frühere Studien dies unterstützen.
Häufige Fehler und wie man sie vermeidet
Die Leistungsanalyse ist nur so gut wie die Eingänge.
- Verwendung von Cohens Konventionen ohne Rechtfertigung: Versuchen Sie immer, literaturbasierte Schätzungen zu finden. Konventionen sind kein Ersatz für Domänenwissen.
- Annahme eines einseitigen Tests ohne klare RichtungshypotheseZweiseitige Tests sind sicherer, es sei denn, Sie haben starke theoretische Gründe für eine bestimmte Richtung.
- Ignorieren der EffektgrößenunsicherheitFühren Sie Sensitivitätsanalysen mit einer Reihe von plausiblen Effektgrößen durch (z. B. 0,3, 0,5, 0,7), um zu sehen, wie sich die Stichprobengröße ändert.
- Post-hoc-Stromanalyse zu beobachteten Daten: Die Berechnung der Leistung nach einer Studie unter Verwendung der beobachteten Effektgröße ist kreisförmig und irreführend.
- Vergessen, sich für mehrere Tests oder mehrere Gruppen anzupassenJeder zusätzliche Vergleich bläst den Fehler Typ I auf; ändere Alpha oder verwende eine Methode wie Bonferroni oder Sidak.
- Nicht-UnabhängigkeitIn Cluster-Designs (z. B. Studenten in Klassenzimmern) kann das Ignorieren des ICC die Stichprobengröße drastisch unterschätzen.
Fortgeschrittene Überlegungen
Für komplexe Studiendesigns erstreckt sich das grundlegende Power-Analyse-Framework auf:
- Überlebensanalyse: Logrank-Testleistung verwenden, die typischerweise auf den erwarteten Gefahrenquoten und Periodenabgrenzungsperioden basiert.
- Längs- oder wiederholte Maßnahmen: Die Leistung hängt von der Anzahl der Messungen, der Korrelation zwischen den Zeitpunkten und dem Abriebmuster ab. G*Powers „ANOVA: Wiederholte Messungen oder spezialisierte R-Pakete wie .
- Gleichwertigkeits- und Nichtunterlegenheitsversuche: Hier ist eine Äquivalenzmarge (Δ) anstelle eines Nulleffekts anzugeben.
- Bayessche Machtanalyse: Anstelle von festen Parametern, integrieren Sie vorherige Verteilungen für Effektgröße. Tools wie oder in R können posteriore Wahrscheinlichkeiten für die Erkennung eines Effekts simulieren.
Reporting Ihrer Power Analyse
Ein Abschnitt zur transparenten Stromanalyse in einem Förderantrag oder Manuskript sollte Folgendes enthalten:
- Primärforschungshypothese und geplanter statistischer Test.
- Alpha-Level und gewünschte Power.
- Effektgrößenschätzung und ihre Quelle (z. B. "Basierend auf einer Meta-Analyse von Smith et al. (2020) erwarteten wir Cohens d = 0,40.").
- Berechnete Stichprobengröße und verwendete Software.
- Anpassungen für Abrieb- oder Designeffekte.
- Alle Sensitivitätsanalysen, die eine Robustheit gegenüber unterschiedlichen Annahmen zeigen.
Zum Beispiel: „Wir planten einen unabhängigen Test (α = 0,05, zweiseitig, Leistung = 0,80), um einen mittleren Effekt zu erkennen (d = 0,5). Mit G*Power 3.1 benötigten wir 64 Teilnehmer pro Gruppe. Mit 20% Ausstieg wollten wir 80 pro Gruppe rekrutieren (insgesamt N = 160).
Schlussfolgerung
Die Durchführung einer Stromanalyse ist keine bürokratische Hürde, sondern ein kritischer Entwurfsschritt, der Ihre Ressourcen an die wissenschaftliche Strenge anpasst. Durch systematische Schätzung der Effektgrößen, Auswahl geeigneter Alpha- und Leistungspegel und Verwendung validierter Software stellen Sie sicher, dass Ihre Studie eine hohe Wahrscheinlichkeit hat, sinnvolle Effekte zu erkennen und gleichzeitig Verschwendung zu vermeiden. Denken Sie daran, dass die Stromanalyse iterativ ist: Überdenken Sie Ihre Annahmen, wenn mehr Informationen verfügbar werden, und dokumentieren Sie Ihre Entscheidungen immer auf Reproduzierbarkeit. Wenden Sie sich im Zweifelsfall an einen Biostatistiker - insbesondere für komplexe Designs -, um kostspielige Fehler zu vermeiden. Eine leistungsstarke Studie ist die Grundlage für vertrauenswürdige, wirkungsvolle Forschung.