样本量计算器
计算所需样本量，含基于文献的效应量估算、多功效水平灵敏度矩阵和可复现的 R/Python 代码 — 附验证指导。
- 填写研究设计、主要结局类型和目标统计功效。
- 点击 AI Run，即可在聊天中直接获得样本量计算及敏感性分析。
- 你可以调整假设条件，并要求重新计算或比较替代情景。
工具定位
面向临床与生物医学研究者的样本量计算助手。输入研究设计、主要结局、预期效应量、显著性水平和统计功效，AI 将使用已验证的统计公式计算所需样本量，展示所有推导步骤，并根据预期失访率进行调整。结果包含灵敏度矩阵，显示不同效应量和功效假设下的样本量变化范围，帮助您在不确定性中做出稳健规划。
为什么显示矩阵而非单一数字
预先设定的效应量几乎总是存在不确定性。由于小样本偏倚和选择性报告，已发表研究的效应量往往被高估。灵敏度矩阵——在一组合理效应量（如 Cohen's d = 0.3 至 0.6）和功效水平（80%、85%、90%）的网格中展示样本量——为您提供切实可行的规划范围。建议选择在保守效应量假设下仍能完成的样本量。
基于文献的效应量估算
如果没有先验效应量，AI 将指导您在 PubMed 中检索类似的已发表试验或观察性研究，从中提取观察到的效应量。同时提醒您：已发表效应量可能高估真实效果，使用比发表值小 20%–30% 的保守估计是生物统计学家普遍推荐的做法。
支持的研究设计
两组平行 RCT（优效性、非劣效性、等效性设计）、配对设计（交叉试验、前后对照）、前瞻性队列研究、病例对照研究、横断面患病率调查及诊断准确性研究（灵敏度、特异度、AUC）。对于整群随机试验或适应性设计等复杂设计，工具将提供关键公式参数说明，并建议咨询生物统计专家完成最终计算。
可复现代码
AI 为每次计算生成可直接运行的 R 代码（pwr、MASS 或 survival 包，视情况选用）和/或 Python 代码（statsmodels、pingouin），所有参数均显式声明，无隐藏默认值，可独立运行以验证结果。
验证与局限性
样本量计算涉及多项假设；本工具为规划辅助工具，不能替代法规级别的验证。请务必使用经过验证的独立软件（G*Power、PASS、nQuery）核查最终样本量；对于监管要求下的临床试验，应咨询合格的生物统计学家。AI 将在每次计算结果旁显示明确的声明提示。