在“样本量”菜单中，您可以考虑一些差异的大小以及得出正确或错误结论的可能性，以计算一些常见问题所需的样本量。

当您执行统计测试，你会做出正确的决定，你的时候

• 拒绝错误的虚假假设，或
• 接受真实的零假设。

另一方面，您可能会犯两个错误：

• 您可以拒绝真实的零假设，
• 您可以接受错误的原假设。

下表中列出了这四种情况。

 

	空假设= TRUE	空假设= FALSE
拒绝原假设	I型误差 α	正确的决定
接受零假设	正确的决定	II型误差 β

 

例如，当您在统计检验中拒绝了原假设（因为P <0.05），因此得出样本之间存在差异的结论时，您可以：

• 正确地做到了，发现存在差异的地方；
• 实际上拒绝了原假设，并且发现了其中不存在的差异。在这种情况下，您将发生I型错误。α是发生I型错误的（双向）概率。

类型I错误=否定原假设时拒绝原假设

您可以通过选择较低的测试显着性水平来避免发生I型错误，例如，当P <0.01而不是P <0.05时，通过拒绝原假设。

另一方面，当您在统计检验中接受零假设（因为P> 0.05）并得出样本之间没有差异的结论时，您可以：

• 正确得出结论没有区别；
• 实际上接受了虚无假设的虚无假设，因此您无法发现真正存在这种差异的差异。在这种情况下，您会犯II型错误。β是发生II型错误的概率。

II型错误=假时接受零假设

测试的功效为1- β，这是当确实存在一个差异时发现差异的概率。例如，当β为0.10时，则测试的功效为0.90或90％。

功效=达到统计显著性的机率

您可以避免犯II型错误，而可以通过增加样本大小来增加测试的能力，以在真正存在差异时发现差异。

要计算所需的样本量，您必须事先决定：

• 类型I错误的所需概率α，即所需的显着性水平（双向）；
• II型错误的要求概率β，即测试的要求功效1- β；
• 量化研究目标，即确定哪些差异在生物学或临床上有意义并值得检测（Neely等，2007）。

另外，您有时需要对预期的样本统计信息有所了解，例如标准差。这可以从以前的研究中得知。