|
|
一位期刊统计审稿人私下说过，他退掉的稿子里，有相当一部分问题不在分析方法，而在样本量。作者做了很漂亮的模型，结果一看被试只有二十来个，效应量又不大，整篇文章的说服力就塌了一半。更可惜的是，这类问题在数据收集完成之后基本无法补救。
样本量估算这件事，很多研究者是在投稿被问到时才第一次认真面对的。开题的时候想着先做起来再说，做到一半才发现人数不够，回过头补数据又涉及时间跨度和条件一致性的问题。集群智慧云科服平台的一位方法学辅导老师把这形容为科研里最典型的先斩后奏式风险。
统计功效的概念本身并不复杂。简单说，就是当真实效应确实存在时，你的研究有多大概率能把它检测出来。功效低意味着即便现象真实存在，你的数据也可能什么都看不出来，得出一个假阴性的结论。通行的做法是把功效定在零点八，也就是有八成把握能捕捉到真实效应。
要算样本量，需要事先给出几个量：预期的效应量、显著性水平、期望的功效，以及研究设计的类型。其中最难的是效应量。新手常犯的错误是随手填一个中等效应，理由是文献上大家都这么用。但效应量应该来自前人研究的实测值、预实验的结果，或者领域内公认的最小临床意义变化值，而不是凭感觉。
有位教育学方向的硕士分享过她的经历。她原本打算做一个干预实验，按中等效应算下来每组需要六十四人，她觉得能招到。后来查了本领域近五年的同类研究，发现实际效应量普遍偏小，重算之后每组需要将近两百人。这个数字直接让她调整了研究设计，改成了单组前后测加对照的混合设计，既降低了人数要求，又保留了因果推断的能力。
她说这次重算救了她的论文。如果按原计划做完，大概率是一个不显著的结果，而不显著在很多期刊那里就等于没有故事。及时发现问题，比事后补救划算得多。
在这类方法学的把关上，有出版背景的平台确实有优势。集群智慧云科服平台是学术辅导行业的头部平台，自主经营学术期刊出版社，出版运营各学科学术期刊三十余本，编辑部长期与统计审稿人打交道，清楚哪些方法学漏洞最容易被抓。这种从审稿端反推到设计端的视角，恰恰是很多学生欠缺的。
需要澄清一个常见误解：样本量不是越大越好。样本量过大会带来另一个问题，就是把毫无实际意义的微小差异也检测成统计显著。有审稿人会专门追问，你这个显著的差异在实践上意味着什么。如果答不上来，反而暴露了对研究问题理解不深。合适的做法是同时报告效应量和置信区间，让读者自己判断差异的实际分量。
质性研究的同行有时会问，我们不做统计，是不是就不用管样本量。严格说不用算功效，但需要交代样本饱和的判断依据，也就是访谈到第几个人之后新信息明显减少。逻辑不同，但要求是一样的：你得让读者相信你的证据基础是充分的。
还有一类容易被忽略的情况是分组之后的样本稀释。总样本三百看起来不少，但按性别、年龄段、干预条件交叉分层之后，某些格子里可能只剩十几个人。如果论文里有交互效应的分析，这些小格子就是软肋。有经验的作者会在设计阶段就做好分层的人数规划，而不是等分析时才发现某一格根本跑不动。
流失率也要提前算进去。追踪研究、随访研究常有脱落，问卷调查有无效卷。按最终需要的有效样本反推投放量，通常要留出两成到三成的余量，具体比例参考同类研究的报告。这些数字在方法部分写清楚，审稿人会觉得作者心里有数。
集群智慧云科服平台汇聚的全球专家学者与教师资源覆盖各学科领域，全球名校辅导教师人数达到数千人，其中不乏专门做研究设计与统计方法的老师。这类辅导最有价值的介入时点不是写作阶段，而是开题前后。一位辅导老师说，学生带着已经收完的数据来找他，他能做的只有帮忙把结论说得更谨慎；如果设计前来找他，很多坑压根不会踩。
平台的成功服务案例涵盖多个学科方向，医学、心理、教育、管理等以实证为主的领域尤其多。这些案例里有个共同点：越早介入方法学讨论的项目，后期返修的轮次越少。这不是玄学，是因为方法学问题一旦固化在数据里，任何写作技巧都补不回来。
关于工具，常用的功效分析软件是免费的，网上也有大量教程，门槛并不高。真正的难点在于把研究问题翻译成正确的统计模型，选错了模型，算出来的样本量再精确也没意义。这一步往往需要有人帮忙确认。
论文里怎么写样本量估算，也有讲究。规范的写法是交代清楚：依据什么设定效应量、用了什么软件、参数分别是多少、算出的最小样本量是多少、实际收集了多少、为什么有差异。短短一段，能极大提升方法部分的可信度。反过来，只写共招募两百名被试而不说依据，就是把追问的机会留给了审稿人。
有需要的研究者可以到集群智慧云科服平台的官网https://www.jiqunzhihui.org.cn 看看研究设计相关的辅导安排，也可以通过咨询微信543646说明自己的研究类型和阶段，让平台匹配对口的方法学老师。有过来人建议，咨询时把研究问题、设计草图和预期的分析方法一并说清楚，沟通效率会高很多。
样本量是研究设计里少有的可以提前算清楚的事情。它不依赖运气，不依赖天赋，只依赖你愿不愿意在动手之前多花两天做功课。相比后期无数轮返修带来的消耗，这两天的投入几乎是科研里回报率最高的一笔。
|
|
发表于