Stichprobengrößen-Rechner
Berechnen Sie die erforderliche Stichprobengröße mit literaturbasierter Effektstärkenschätzung, Sensitivitätsmatrix über Teststärke-Niveaus und reproduzierbarem R/Python-Code – inklusive Verifizierungsanleitung.
- Geben Sie Studiendesign, Typ des primaren Outcomes und die angestrebte statistische Power ein.
- Klicken Sie auf AI Run und erhalten Sie direkt im Chat Stichprobenumfangsberechnungen mit Sensitivitatsanalyse.
- Passen Sie Annahmen an und fordern Sie Neuberechnungen oder Vergleiche alternativer Szenarien an.
Was dieses Tool tut
Ein Stichprobengrößen-Kalkulator für klinische und biomedizinische Forscher. Geben Sie Studiendesign, primären Endpunkt, erwartete Effektgröße, Signifikanzniveau und Ziel-Teststärke ein — die KI berechnet die erforderliche Stichprobengröße mit anerkannten Formeln, zeigt alle Zwischenschritte und passt das Ergebnis an die erwartete Dropout-Rate an. Das Ergebnis enthält eine Sensitivitätsmatrix, die zeigt, wie sich die Stichprobengröße bei unterschiedlichen Effektgrößen- und Power-Annahmen verändert.
Warum eine Matrix statt einer einzelnen Zahl
Ihre vorab festgelegte Effektgröße ist fast immer mit Unsicherheit behaftet. Veröffentlichte Effektgrößen werden durch Small-Study-Bias und selektive Berichterstattung häufig überschätzt. Die Sensitivitätsmatrix — Stichprobengrößen über ein Raster plausibler Effektgrößen (z.B. Cohen's d = 0,3 bis 0,6) und Power-Niveaus (80%, 85%, 90%) — liefert einen realistischen Planungsbereich. Wählen Sie die Stichprobengröße, die auch unter konservativeren Annahmen noch durchführbar ist.
Effektgröße aus der Literatur schätzen
Ohne vorhandene Effektgrößenschätzung führt die KI Sie durch eine PubMed-Suche nach ähnlichen publizierten Studien und extrahiert deren beobachtete Effektgrößen. Zudem weist sie darauf hin, dass publizierte Effektgrößen den wahren Effekt überschätzen können — ein konservativer Abschlag von 20–30% ist biostatistisch empfohlen.
Unterstützte Studiendesigns
Zweiarmige parallele RCTs (Überlegenheit, Nicht-Unterlegenheit, Äquivalenz), Paired Designs (Crossover, Vorher-Nachher), prospektive Kohortenstudien, Fall-Kontroll-Studien, Querschnitts-Prävalenzerhebungen und diagnostische Genauigkeitsstudien (Sensitivität, Spezifität, AUC). Für komplexere Designs wie Cluster-RCTs oder adaptive Studien werden die relevanten Formelparameter erklärt und eine Fachberatung empfohlen.
Reproduzierbarer Code
Die KI generiert ausführbaren R-Code (pwr-, MASS- oder survival-Paket) und/oder Python-Code (statsmodels, pingouin) für jede Berechnung — alle Parameter explizit deklariert, keine versteckten Standardwerte. Sie können die Berechnung unabhängig nachvollziehen und verifizieren.
Verifikation und Einschränkungen
Stichprobengrößenberechnungen basieren auf Annahmen. Dieses Tool ist ein Planungshilfsmittel, kein Zulassungswerkzeug. Verifizieren Sie Endergebnisse stets mit validierter Software (G*Power, PASS, nQuery) und konsultieren Sie bei regulierten klinischen Studien einen qualifizierten Biostatistiker.