統計的有意性：サンプルサイズと統計検定力 - 私たちの周りにある世界を理解するために、研究者は仮定された真実と虚偽を分ける方法として、正式に科学的手法を用いています。認知神経科学は、遺伝的、神経的、行動的システムが、生物の周囲の世界を感知し、相互作用し、ナビゲートし、考える能力をどのようにサポートしているかを理解することを目指しています。

これは、認知神経科学がすべての分析レベルで実験を設計し、データを収集することを意味します。自然界に対する私たちの理解をさらに深めることを目指す世界中の研究プログラムは、十分に計画された一連の小規模な実験において、仮定または仮説を定期的に検証しています。これらの実験は、環境、性的指向、人種、社会経済的ステータスなどの無関係な要因の影響を最小限に抑えながら、結果に影響を与える可能性のある、または与えない可能性のある特定の要因を調査する傾向があります。

シナリオ1：ドパミン放出研究

認知神経科学において、ドパミンは一般的に「快感」をもたらす化合物と考えられています。側坐核（NuAc）におけるその放出は、行動を動機付ける行動や事柄によって引き起こされます。これらには以下が含まれます。

• 美味しい食事をとる

• 愛する人と過ごす時間

• セックス

• 砂糖

意図した、あるいは見慣れた視覚刺激にさらされる前、最中、あるいはその後に、NuAcにおけるピークドパミンレベルが発生するかどうかを調べたいとしましょう。Amatya Johanna Mackintosh氏の研究から採用されたEEG実験設計を使用できます。ドパミン放出は、見慣れたまたは意図した視覚刺激にさらされている間に発生し、その直後にピークに達するという仮説を立てることができます。

さて、最も重要なこととして、被験者はどこから連れてくるのでしょうか？

実験状況において、「母集団」とは、研究対象となっているより大きな、全体の集団を指します。あなたの研究室が、数十万人、あるいは数百万人もの人々のドパミン放出データを募集し、収集する技術を考案することは、現実的ではなく、あり得そうにありません。

したがって、母集団を理解するために、より小さな代表的なグループまたはサンプルからデータを収集することを試みます。そのためには、主に2つの質問に答える必要があります。

1. サンプルには何人の個人を含まる必要がありますか？

2. これは実用的な重要性と統計検定力にどのように関係していますか？

以下でそれを分解してみましょう。

統計検定力と真の効果

統計検定力とは、統計的に有意な差が実際に存在する場合に、テストがその差を検出する確率と定義されます。これは、真の効果とも呼ばれます。

真の効果は実験設計の基礎です。Cohenの1988年の報告書は、科学的手法への貢献で有名ですが、真の効果を検出する確率が80％になるように研究を設計すべきであると主張しました。この80％は高検定力（HP）テスト設計を表し、20％に近い値は低検定力（LP）テスト設計となります。

Cohenは、研究においては、偽陰性として知られるタイプIIエラーを犯す確率が常に20％未満であるべきだと提案しました。また、彼はこれらの同じガイドライン範囲を、実際には有意な差が存在するにもかかわらず、研究者が誤って有意な効果はないと報告する「発見の見逃し」にも使用しています。

なぜ統計検定力が重要なのですか？

このシナリオを考えてみてください。80％の検定力を持つ100の異なる研究に真の効果が存在する場合、統計テストは100のうち80で真の効果を検出します。しかし、研究の検定力が20％である場合、結果に100の真の非ヌル効果があるとしても、これらの研究が発見できるのはせいぜい20だけです。

神経科学研究における統計検定力の限界

予想通り、神経科学研究はリソースを集中的に消費する性質があるため、この分野の統計検定力の中央値は約21%であり、平均すると8%〜31%の広い範囲に収まります。神経科学研究における低い統計検定力は、以下のことを引き起こします。

• 発見の再現性に疑問を投げかける。

• 効果量を誇張することにつながる。

• 真の効果を正確に表す、統計的に有意な結果が得られる可能性を低下させる。

そのため、これらの値はCohenの理論的な閾値を大きく下回っているため、神経科学研究の現状は統計検定力の問題に囚われています。

代表的なサンプル（群）の確立

シナリオ1の目標：包括的かつ大規模なサンプリングにより、テストにおけるサンプリングエラーやタイプIおよびIIのエラーを回避する。

実験が本質的に重要であるようにしたい場合、サンプルセットには何人のヒト脳スキャンを含める必要がありますか？実用的な有意性とは、実験結果が現実世界に適用されるかどうかを指します。

神経科学者の実験の効果を判断する能力（統計検定力）は、サンプルサイズに関連しています。シナリオ1のパラメータを継続すると、感情を揺さぶる視覚刺激を示した後のドパミン放出のタイミングに真の効果があるかどうかを統計的に評価できるように、十分なデータを収集することが目標となります。また、サンプリングエラーの可能性を最小限に抑えるサンプルへの含有基準を確立する必要もあります。

サンプリングエラーを回避する方法

先に進む前に2つの用語を理解することが重要です。

1. サンプリングエラー（標本誤差）： サンプリングを行う際、選択された個人から収集されたデータが母集団を代表しない可能性が常にあります。

2. 統計的有意性： 統計的有意性とは、私たちのデータと観察された効果が真の効果である可能性が高いことを意味します。ほとんどの生物医学科学において、統計的有意性は有意水準または.05のp値で確立されます。本質的に、これは科学者が実験で観察された効果に95％の確信を持っていることを意味します。

データが関係性（すなわち、ドパミン放出）を示している場合を考えてみましょう。その効果が偶然によるものであり、変数（視覚刺激）とは無関係である可能性が5％あります。これはタイプIエラーになります。あるいは、実際には真の効果があるにもかかわらず、収集されたデータがドパミン放出と視覚刺激の間に関係がないことを示す可能性が5％あります。これは偽陰性、つまりタイプIIエラーです。

特定のサンプルサイズを超えると収穫逓減点に達するため、含有基準を慎重に確立することの方がより効果的です。

私たちはすべての人間を代表するデータを収集したいと考えており、その結論が実用的かつ統計的に有意であることを望んでいます。サンプルセットの設計を成功させるには、サンプリングエラー、タイプIエラー（偽陽性）、またはタイプIIエラー（偽陰性）を考慮し、回避する必要があります。

私たちの実験は以下の仮説を検証しています：

• 帰無仮説 - NAcにおけるドパミン放出のタイミングと、感情を揺さぶる視覚刺激との間に関係や効果はない。

• 仮説 - NAcにおけるドパミン放出のタイミングと感情を揺さぶる視覚刺激との間に関係が「あり」、ドパミン放出のピークは視覚刺激を見た後に発生する。

NAcにおけるドパミン放出のタイミングと、感情を揺さぶる視覚刺激との間には関係があります。データが統計的に有意ではない場合、以下が起こります。

• 私たちの仮説は却下されます。

• 真の効果や差異は見つかりません。

• 観察された効果は、偶然による結果である可能性と同じくらい高いことになります。

母集団を理解する？

実験設計における実用的な限界。

神経科学研究において、正式な含有基準は通常、サンプリングエラーを避けるために、母集団全体での含有の可能性をランダム化および／または均等化しようとします。最も近い、あるいは最もアクセスしやすいという理由だけで個人を選択することは、サンプリングエラーの処方箋となるため、避けなければなりません。

サンプルセット生成へのアプローチとして最も優れた方法は、母集団全体で選択される可能性をランダムに均等化する選択基準を使用することです。例えば、国勢調査のデータを使用して、オハイオ州の各郡でランダムに選ばれた50人の連絡先情報を取得できます。これにより、すべての地域から名前が均等かつランダムに選択されるため、選択バイアスが最小限に抑えられます。

実験設計を確立し、サンプルサイズを拡大し、偏りのない、ランダム化され、均等に適用された含有基準を完全に実現することは、すぐに実用的な限界に突き当たる可能性があります。これは、教育活動から本格的な研究大学に至るまで、あらゆるレベルの学術研究における課題です。通常、予算やスケジュールといった制限が最初に妥協を強いる要因となります。総じて、統計的有意性に関するこれらの問題は、活発な研究領域となっています。

「真の」効果量とは何か？

神経科学研究の統計検定力が低いため、真の効果量を過大評価する傾向があり、それが多くの研究の再現性の低さにつながっています。さらに、神経科学研究に固有の複雑さは、統計検定力を極めて重要なものにしています。

この分野が採用できる1つの方法は、サンプルサイズを増やすことで研究の検定力を高めることです。これにより、真の効果を検出する確率が高まります。適切なサンプルサイズを選択することは、以下を行う研究を設計する上で不可欠です。

• 実用的な発見をする。

• 脳内の数え切れないプロセスに対する理解を深める。

• 効果的な治療法を開発する。

現代の神経科学研究における課題の克服：EmotivLABプラットフォーム

神経科学研究の実験設計は、信頼できる統計的有意性を達成するために、より大きなサンプルグループサイズとより優れた含有基準を確立することを目指すべきです。EmotivLABのようなクラウドソース対応プラットフォームを利用することで、研究者は潜在的により多様で、より代表的な被験者個人へのアクセスを提供され、最小限の追加のロジスティックの労力で、サンプルサイズ、およびすべての層の包括性を改善できます。

現代の神経科学研究は、実験サンプルセットのために多様なグループをリクルートするための利用可能なリソースが限られているため、サンプリングエラーに対して脆弱になる可能性があります。「WEIRDグループ」の概念はこの問題を要約しています。ほとんどの大学の研究は、概して西洋の、教育水準が高く、工業化された、豊かで、民主的な国々（Western, Educated, Industrialized, Rich, Democratic）の被験者を対象に、極めて限られた予算で行われています。しかし、EmotivLABのEEGプラットフォームのような遠隔データ収集機器を使用すれば、研究者はキャンパスの枠を超えて、母集団をよりよく反映したサンプルグループをリクルートすることができます。

EmotivLABのプラットフォームと遠隔EEG機器は、研究者が実験サンプルグループに含まれる個人の多様性を拡大するのを支援するだけではありません。また、全体のサンプルサイズや、対象母集団への地理的なリーチに関する問題も緩和します。

EmotivLABプラットフォームは、研究者を現在の制約から解放し、実験の設計や結果の分析にエネルギーを集中させることを可能にします。当社のプラットフォームは、被験者プールの中で最も適した個人と実験をマッチングします。参加者を募集したり、彼らのスケジュールを調整したり、ラボ内でのデータ収集を行ったりすることに時間を費やす必要はありません。必要なのは、オンラインプラットフォームで希望するデモグラフィックを指定することだけであり、EmotivLABは、要求されたパラメータに最もよく適合するコントリビューターに実験を提供します。参加者は自宅で、自身の機器を使用して実験を行うことができます。彼らはヘッドセットを熟知しているため、研究者がその使用法を指導する必要もありません。

それだけでなく、EmotivLABプラットフォームは、自動化されたEEG記録データの品質管理と評価を提供します。低品質のデータが大量にあっても、実験設計におけるサンプリングエラーや統計的なエラーを克服する役には立ちません。一方、高精度データをより多く利用できるようにすることは、以下におけるエラーを回避するための解決策となります。

• サンプリング

• 母集団

• 統計的有意性

EmotivLABプラットフォームがあなたの研究に何をもたらすか、詳しく知りたいですか？

EmotivLABを使用すると、実験の構築、実験の安全かつ確実な導入、検証済みの参加者のグローバルパネルからの募集、高品質なEEGデータの収集を、すべて1つのプラットフォームから行うことができます。詳細情報をご希望の方、またはデモをご要望の場合は、こちらをクリックしてください。