統計的有意差：サンプルサイズと統計パワー
クオック・ミン・ライ
更新日
統計的有意差：サンプルサイズと統計パワー
クオック・ミン・ライ
更新日
統計的有意差：サンプルサイズと統計パワー
クオック・ミン・ライ
更新日
統計的有意性：サンプルサイズと統計検定力 - 私たちの身の回りの世界を理解するため、研究者は疑似科学的な真実と虚偽を区別する方法として学術的に科学的手法を用います。認知神経科学は、遺伝的、神経学的、および行動学的なシステムが、有機体が世界を感じ、相互作用し、ナビゲートし、それについて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ようとする世界中の研究プログラムは、よく計画された一連の小規模な実験において、仮定（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：ドーパミン放出の放出研究
認知神経科学において、ドーパミンは一般的に「快楽」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、私たちが行動を起こす動機となる行動や物事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。
美味しい食事を摂ること
愛する人との時間
性行為
砂糖
ここでは、側坐核におけるドーパミンのピークレベルが、望ましい、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実験設計を使用することができます。私たちは、見慣れた、あるいは望ましい視覚刺激にさらされている間にドーパミン放出が起こり、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、ここで最も重要なのは、被験者をどこから集めるかということです。
実験において、「ポピュレーション（母集団）」とは、研究対象となるより大きな全体の集合グループを指します。あなたの研究室が、数十万人、数百万人もの人々を募集し、ドーパミン放出データを収集する技術を考案することは、現実的ではなく、不可能です。
したがって、私たちは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。
サンプルには何人の個人を含める必要がありますか？
これは実用的な有意性と統計検定力とどのように関係していますか？
以下で詳しく説明します。
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知られており、研究は真の効果を検出する確率が80%になるように設計されるべきであると論じました。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、研究において第二種の誤り（偽陰性として知られる）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、彼は発見の取りこぼし（研究者が、差が実際に存在するにもかかわらず、有意な効果がないと誤って報告する場合に発生する）についても、これと同じガイドラインの範囲を使用しています。
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の真の非ゼロ（non-null）効果があるとしても、これらの研究で発見されるのはそのうちの20個だけと予想されます。
神経科学研究における統計検定力の課題
予想される通り、神経科学研究はリソースが非常にかかる性質があるため、この分野の統計検定力の中央値は約21%であり、8%〜31%という広い範囲で推移しています。神経科学研究における低い統計検定力は、以下の問題を引き起こします。
発見の再現性に疑念を抱かせる。
効果量が誇張される。
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が低くなる。
このように、神経科学研究の現状は、これらの数値がCohenの理論的な閾値を大幅に下回っているため、統計検定力の問題に悩まされています。
代表サンプルのグループ確立
シナリオ1の目標：包括的で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第一種および第二種の誤りを回避すること。
実験が実用的に有意であるためには、サンプルセットに何人分の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できるかどうかを指します。
神経科学者の実験が効果を特定する能力（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のパラメーターを引き続き適用すると、感情を喚起する視覚刺激を提示した後のドー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するために、十分なデータを収集することが目標です。また、サンプリングエラーの可能性を最小限にするために、サンプルへの採用基準を確立する必要があります。
サンプリングエラーを回避する方法
先に進む前に、2つの重要な用語を理解しておく必要があります。
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ていない可能性が常に存在します。
統計的有意性： 統計的有意性は、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。ほとんどのバイオメディカルサイエンスにおいて、統計的有意性は、有意水準（p値）0.05で確立されます。これは実質的に、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。
データが関連性（例えば、ドーパミン放出）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。これは第一種の誤り（偽陽性）になります。あるいは、実際には真の効果が存在するにもかかわらず、収集されたデータがドーパミンの放出と視覚刺激との間に関連性を示さない確率が5%あります。これは偽陰性、つまり第二種の誤りです。
特定のサンプルサイズを超えると収穫逓減のポイントに達するため、インクルージョン（採用）基準を慎重に確立することは、より大きな影響を持ちます。
私たちは全人類を代表するデータを収集することを期待しており、その結論が実用的に有意であり、かつ統計的にも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、第一種の誤り（偽陽性）、または第二種の誤り（偽陰性）を考慮し、回避しなければなりません。
私たちの実験では、以下の仮説を検証しています。
帰無仮説 - 側坐核におけるドーパミン放出のタイミングと、特定の感情価を伴う視覚刺激との間に関連性や効果はない。
仮説 - 側坐核におけるドーパミン放出のタイミングと、特定の感情価を伴う視覚刺激との間に関連性が存在し、ドーパミン放出のピークは視覚刺激を見た後に発生する。
側坐核におけるドーパミン放出のタイミングと、感情価を伴う視覚刺激との間に関連性があるにもかかわらず、データが統計的に有意ではない場合、以下のような結果になります。
私たちの仮説は棄却される。
真の効果や差異は見つからない。
観察された効果は、単なる偶然によるものである可能性が高い。
母集団を理解することとは？
実験設計における実用的な限界。
神経科学研究において、正式な採用基準は通常、サンプリングエラーを避けるために、母集団全体で採用される可能性をランダム化および平準化（均等化）しようとします。単にデータ収集のために最も身近である、また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避けなければなりません。それはサンプリングエラーを引き起こす典型的な原因だからです。
サンプルセットを作成するための最良のアプローチは、母集団全体からの選択される可能性をランダムに平準化する採用基準を使用することです。例えば、国勢調査データを使用して、オハイオ州の各郡からランダムに選択された50人の個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ばれるため、選択バイアスを最小限に抑えることができます。
実験設計の確立、サンプルサイズの拡大、そして偏りのない、ランダムで、均等に適用される採用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ことがあります。これは、学術的な演習から本格的な研究大学に至るまで、あらゆるレベルの科学的研究における課題です。通常、予算や時間的な制約が、最初に妥協を強いる原因となります。総じて、これらの統計的有意性に関する問題は、活発な研究領域となっています。
真の効果量とは？
神経科学研究は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、その結果、多くの研究の再現性が低くなっています。さらに、神経科学研究の本質的な複雑さから、統計検定力は極めて重要です。
この分野が採用できる1つの方法は、サンプルサイズを大きくして、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、以下のような研究を設計する上で不可欠です。
実用的な発見をもたらす。
脳内の数え切れないプロセスに対する理解を進める。
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：EmotivLABS 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、より大規模なサンプルグループサイズとより優れた採用基準を確立するよう努めるべきです。EmotivLABのようなクラウドソーシング対応のプラットフォームを活用することで、研究者ははるかに多様で代表的な被験者にアクセス可能となり、研究グループにとって追加のロジスティクス負担を増やすことなく、サンプルサイズを拡大し、すべてのデモグラフィック（人口統計属性）の包括性を向上させることができます。
現代の神経科学研究は、実験サンプルセットに多様なグループを募集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、この問題を象徴しています。ほとんどの大学の研究は、極めて限られた予算の中で、一般的に欧米の（Western）、教育水準が高く（Educated）、工業化された、豊かで不自由のない、民主的（Industrialized, Rich, and Democratic）な国の被験者を対象に行われています。しかし、EmotivLABsのEEGプラットフォームのようなリモートデータ収集ツールにより、研究者は大学のキャンパスを超えて、母集団をより適切に反映したサンプルグループを募集することが可能になります。
EmotivLABs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できるようにします。
EmotivLABsのプラットフォームとリモートEEG機器は、研究者が実験サンプルグループに含まれる人々の多様性を広げるのを支援するだけではありません。全体的なサンプルサイズや、ターゲット母集団への地理的なアプローチに関する問題も緩和します。
EmotivLABs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できるようにします。当社のプラットフォームは、被験者プールの中から実験に最も適した個人とマッチングを行います。参加者を募集したり、スケジュールを調整・管理したり、ラボ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ータ属性（デモグラフィック）を指定することだけであり、EmotivLABsが指定されたパラメータに最も合致する協力者に実験を公開します。参加者は、自身の使い慣れた機器を使用して、自宅で実験を受けることができます。ヘッドセットの扱いに慣れているため、研究者が使用方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データ品質管理および評価機能を提供します。質の低いデータがどれほど大量にあっても、実験設計におけるサンプリングエラーや統計的エラーの解決には役立ちません。しかし、より高品質なデータにアクセスできることは、以下におけるエラーの回避に役立つ解決策を提供します。
サンプリング（標本抽出）
母集団
統計的有意性
EmotivLABsプラットフォームが研究にどのように役立つか、詳細を知りたいですか？
EmotivLABsを使用すれば、実験の作成から、安全かつ確実なテスト展開、グローバルな認証済み参加者パネルからの募集、そして高品質なEEGデータの収集まで、すべてを一元化されたプラットフォームで行うことができます。詳細、またはデモのご要望は、こちらをクリックしてください。
統計的有意性：サンプルサイズと統計検定力 - 私たちの身の回りの世界を理解するため、研究者は疑似科学的な真実と虚偽を区別する方法として学術的に科学的手法を用います。認知神経科学は、遺伝的、神経学的、および行動学的なシステムが、有機体が世界を感じ、相互作用し、ナビゲートし、それについて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ようとする世界中の研究プログラムは、よく計画された一連の小規模な実験において、仮定（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：ドーパミン放出の放出研究
認知神経科学において、ドーパミンは一般的に「快楽」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、私たちが行動を起こす動機となる行動や物事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。
美味しい食事を摂ること
愛する人との時間
性行為
砂糖
ここでは、側坐核におけるドーパミンのピークレベルが、望ましい、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実験設計を使用することができます。私たちは、見慣れた、あるいは望ましい視覚刺激にさらされている間にドーパミン放出が起こり、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、ここで最も重要なのは、被験者をどこから集めるかということです。
実験において、「ポピュレーション（母集団）」とは、研究対象となるより大きな全体の集合グループを指します。あなたの研究室が、数十万人、数百万人もの人々を募集し、ドーパミン放出データを収集する技術を考案することは、現実的ではなく、不可能です。
したがって、私たちは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。
サンプルには何人の個人を含める必要がありますか？
これは実用的な有意性と統計検定力とどのように関係していますか？
以下で詳しく説明します。
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知られており、研究は真の効果を検出する確率が80%になるように設計されるべきであると論じました。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、研究において第二種の誤り（偽陰性として知られる）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、彼は発見の取りこぼし（研究者が、差が実際に存在するにもかかわらず、有意な効果がないと誤って報告する場合に発生する）についても、これと同じガイドラインの範囲を使用しています。
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の真の非ゼロ（non-null）効果があるとしても、これらの研究で発見されるのはそのうちの20個だけと予想されます。
神経科学研究における統計検定力の課題
予想される通り、神経科学研究はリソースが非常にかかる性質があるため、この分野の統計検定力の中央値は約21%であり、8%〜31%という広い範囲で推移しています。神経科学研究における低い統計検定力は、以下の問題を引き起こします。
発見の再現性に疑念を抱かせる。
効果量が誇張される。
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が低くなる。
このように、神経科学研究の現状は、これらの数値がCohenの理論的な閾値を大幅に下回っているため、統計検定力の問題に悩まされています。
代表サンプルのグループ確立
シナリオ1の目標：包括的で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第一種および第二種の誤りを回避すること。
実験が実用的に有意であるためには、サンプルセットに何人分の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できるかどうかを指します。
神経科学者の実験が効果を特定する能力（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のパラメーターを引き続き適用すると、感情を喚起する視覚刺激を提示した後のドー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するために、十分なデータを収集することが目標です。また、サンプリングエラーの可能性を最小限にするために、サンプルへの採用基準を確立する必要があります。
サンプリングエラーを回避する方法
先に進む前に、2つの重要な用語を理解しておく必要があります。
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ていない可能性が常に存在します。
統計的有意性： 統計的有意性は、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。ほとんどのバイオメディカルサイエンスにおいて、統計的有意性は、有意水準（p値）0.05で確立されます。これは実質的に、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。
データが関連性（例えば、ドーパミン放出）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。これは第一種の誤り（偽陽性）になります。あるいは、実際には真の効果が存在するにもかかわらず、収集されたデータがドーパミンの放出と視覚刺激との間に関連性を示さない確率が5%あります。これは偽陰性、つまり第二種の誤りです。
特定のサンプルサイズを超えると収穫逓減のポイントに達するため、インクルージョン（採用）基準を慎重に確立することは、より大きな影響を持ちます。
私たちは全人類を代表するデータを収集することを期待しており、その結論が実用的に有意であり、かつ統計的にも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、第一種の誤り（偽陽性）、または第二種の誤り（偽陰性）を考慮し、回避しなければなりません。
私たちの実験では、以下の仮説を検証しています。
帰無仮説 - 側坐核におけるドーパミン放出のタイミングと、特定の感情価を伴う視覚刺激との間に関連性や効果はない。
仮説 - 側坐核におけるドーパミン放出のタイミングと、特定の感情価を伴う視覚刺激との間に関連性が存在し、ドーパミン放出のピークは視覚刺激を見た後に発生する。
側坐核におけるドーパミン放出のタイミングと、感情価を伴う視覚刺激との間に関連性があるにもかかわらず、データが統計的に有意ではない場合、以下のような結果になります。
私たちの仮説は棄却される。
真の効果や差異は見つからない。
観察された効果は、単なる偶然によるものである可能性が高い。
母集団を理解することとは？
実験設計における実用的な限界。
神経科学研究において、正式な採用基準は通常、サンプリングエラーを避けるために、母集団全体で採用される可能性をランダム化および平準化（均等化）しようとします。単にデータ収集のために最も身近である、また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避けなければなりません。それはサンプリングエラーを引き起こす典型的な原因だからです。
サンプルセットを作成するための最良のアプローチは、母集団全体からの選択される可能性をランダムに平準化する採用基準を使用することです。例えば、国勢調査データを使用して、オハイオ州の各郡からランダムに選択された50人の個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ばれるため、選択バイアスを最小限に抑えることができます。
実験設計の確立、サンプルサイズの拡大、そして偏りのない、ランダムで、均等に適用される採用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ことがあります。これは、学術的な演習から本格的な研究大学に至るまで、あらゆるレベルの科学的研究における課題です。通常、予算や時間的な制約が、最初に妥協を強いる原因となります。総じて、これらの統計的有意性に関する問題は、活発な研究領域となっています。
真の効果量とは？
神経科学研究は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、その結果、多くの研究の再現性が低くなっています。さらに、神経科学研究の本質的な複雑さから、統計検定力は極めて重要です。
この分野が採用できる1つの方法は、サンプルサイズを大きくして、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、以下のような研究を設計する上で不可欠です。
実用的な発見をもたらす。
脳内の数え切れないプロセスに対する理解を進める。
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：EmotivLABS 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、より大規模なサンプルグループサイズとより優れた採用基準を確立するよう努めるべきです。EmotivLABのようなクラウドソーシング対応のプラットフォームを活用することで、研究者ははるかに多様で代表的な被験者にアクセス可能となり、研究グループにとって追加のロジスティクス負担を増やすことなく、サンプルサイズを拡大し、すべてのデモグラフィック（人口統計属性）の包括性を向上させることができます。
現代の神経科学研究は、実験サンプルセットに多様なグループを募集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、この問題を象徴しています。ほとんどの大学の研究は、極めて限られた予算の中で、一般的に欧米の（Western）、教育水準が高く（Educated）、工業化された、豊かで不自由のない、民主的（Industrialized, Rich, and Democratic）な国の被験者を対象に行われています。しかし、EmotivLABsのEEGプラットフォームのようなリモートデータ収集ツールにより、研究者は大学のキャンパスを超えて、母集団をより適切に反映したサンプルグループを募集することが可能になります。
EmotivLABs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できるようにします。
EmotivLABsのプラットフォームとリモートEEG機器は、研究者が実験サンプルグループに含まれる人々の多様性を広げるのを支援するだけではありません。全体的なサンプルサイズや、ターゲット母集団への地理的なアプローチに関する問題も緩和します。
EmotivLABs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できるようにします。当社のプラットフォームは、被験者プールの中から実験に最も適した個人とマッチングを行います。参加者を募集したり、スケジュールを調整・管理したり、ラボ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ータ属性（デモグラフィック）を指定することだけであり、EmotivLABsが指定されたパラメータに最も合致する協力者に実験を公開します。参加者は、自身の使い慣れた機器を使用して、自宅で実験を受けることができます。ヘッドセットの扱いに慣れているため、研究者が使用方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データ品質管理および評価機能を提供します。質の低いデータがどれほど大量にあっても、実験設計におけるサンプリングエラーや統計的エラーの解決には役立ちません。しかし、より高品質なデータにアクセスできることは、以下におけるエラーの回避に役立つ解決策を提供します。
サンプリング（標本抽出）
母集団
統計的有意性
EmotivLABsプラットフォームが研究にどのように役立つか、詳細を知りたいですか？
EmotivLABsを使用すれば、実験の作成から、安全かつ確実なテスト展開、グローバルな認証済み参加者パネルからの募集、そして高品質なEEGデータの収集まで、すべてを一元化されたプラットフォームで行うことができます。詳細、またはデモのご要望は、こちらをクリックしてください。
統計的有意性：サンプルサイズと統計検定力 - 私たちの身の回りの世界を理解するため、研究者は疑似科学的な真実と虚偽を区別する方法として学術的に科学的手法を用います。認知神経科学は、遺伝的、神経学的、および行動学的なシステムが、有機体が世界を感じ、相互作用し、ナビゲートし、それについて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ようとする世界中の研究プログラムは、よく計画された一連の小規模な実験において、仮定（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：ドーパミン放出の放出研究
認知神経科学において、ドーパミンは一般的に「快楽」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、私たちが行動を起こす動機となる行動や物事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。
美味しい食事を摂ること
愛する人との時間
性行為
砂糖
ここでは、側坐核におけるドーパミンのピークレベルが、望ましい、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実験設計を使用することができます。私たちは、見慣れた、あるいは望ましい視覚刺激にさらされている間にドーパミン放出が起こり、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、ここで最も重要なのは、被験者をどこから集めるかということです。
実験において、「ポピュレーション（母集団）」とは、研究対象となるより大きな全体の集合グループを指します。あなたの研究室が、数十万人、数百万人もの人々を募集し、ドーパミン放出データを収集する技術を考案することは、現実的ではなく、不可能です。
したがって、私たちは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。
サンプルには何人の個人を含める必要がありますか？
これは実用的な有意性と統計検定力とどのように関係していますか？
以下で詳しく説明します。
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知られており、研究は真の効果を検出する確率が80%になるように設計されるべきであると論じました。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、研究において第二種の誤り（偽陰性として知られる）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、彼は発見の取りこぼし（研究者が、差が実際に存在するにもかかわらず、有意な効果がないと誤って報告する場合に発生する）についても、これと同じガイドラインの範囲を使用しています。
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の真の非ゼロ（non-null）効果があるとしても、これらの研究で発見されるのはそのうちの20個だけと予想されます。
神経科学研究における統計検定力の課題
予想される通り、神経科学研究はリソースが非常にかかる性質があるため、この分野の統計検定力の中央値は約21%であり、8%〜31%という広い範囲で推移しています。神経科学研究における低い統計検定力は、以下の問題を引き起こします。
発見の再現性に疑念を抱かせる。
効果量が誇張される。
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が低くなる。
このように、神経科学研究の現状は、これらの数値がCohenの理論的な閾値を大幅に下回っているため、統計検定力の問題に悩まされています。
代表サンプルのグループ確立
シナリオ1の目標：包括的で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第一種および第二種の誤りを回避すること。
実験が実用的に有意であるためには、サンプルセットに何人分の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できるかどうかを指します。
神経科学者の実験が効果を特定する能力（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のパラメーターを引き続き適用すると、感情を喚起する視覚刺激を提示した後のドー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するために、十分なデータを収集することが目標です。また、サンプリングエラーの可能性を最小限にするために、サンプルへの採用基準を確立する必要があります。
サンプリングエラーを回避する方法
先に進む前に、2つの重要な用語を理解しておく必要があります。
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ていない可能性が常に存在します。
統計的有意性： 統計的有意性は、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。ほとんどのバイオメディカルサイエンスにおいて、統計的有意性は、有意水準（p値）0.05で確立されます。これは実質的に、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。
データが関連性（例えば、ドーパミン放出）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。これは第一種の誤り（偽陽性）になります。あるいは、実際には真の効果が存在するにもかかわらず、収集されたデータがドーパミンの放出と視覚刺激との間に関連性を示さない確率が5%あります。これは偽陰性、つまり第二種の誤りです。
特定のサンプルサイズを超えると収穫逓減のポイントに達するため、インクルージョン（採用）基準を慎重に確立することは、より大きな影響を持ちます。
私たちは全人類を代表するデータを収集することを期待しており、その結論が実用的に有意であり、かつ統計的にも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、第一種の誤り（偽陽性）、または第二種の誤り（偽陰性）を考慮し、回避しなければなりません。
私たちの実験では、以下の仮説を検証しています。
帰無仮説 - 側坐核におけるドーパミン放出のタイミングと、特定の感情価を伴う視覚刺激との間に関連性や効果はない。
仮説 - 側坐核におけるドーパミン放出のタイミングと、特定の感情価を伴う視覚刺激との間に関連性が存在し、ドーパミン放出のピークは視覚刺激を見た後に発生する。
側坐核におけるドーパミン放出のタイミングと、感情価を伴う視覚刺激との間に関連性があるにもかかわらず、データが統計的に有意ではない場合、以下のような結果になります。
私たちの仮説は棄却される。
真の効果や差異は見つからない。
観察された効果は、単なる偶然によるものである可能性が高い。
母集団を理解することとは？
実験設計における実用的な限界。
神経科学研究において、正式な採用基準は通常、サンプリングエラーを避けるために、母集団全体で採用される可能性をランダム化および平準化（均等化）しようとします。単にデータ収集のために最も身近である、また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避けなければなりません。それはサンプリングエラーを引き起こす典型的な原因だからです。
サンプルセットを作成するための最良のアプローチは、母集団全体からの選択される可能性をランダムに平準化する採用基準を使用することです。例えば、国勢調査データを使用して、オハイオ州の各郡からランダムに選択された50人の個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ばれるため、選択バイアスを最小限に抑えることができます。
実験設計の確立、サンプルサイズの拡大、そして偏りのない、ランダムで、均等に適用される採用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ことがあります。これは、学術的な演習から本格的な研究大学に至るまで、あらゆるレベルの科学的研究における課題です。通常、予算や時間的な制約が、最初に妥協を強いる原因となります。総じて、これらの統計的有意性に関する問題は、活発な研究領域となっています。
真の効果量とは？
神経科学研究は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、その結果、多くの研究の再現性が低くなっています。さらに、神経科学研究の本質的な複雑さから、統計検定力は極めて重要です。
この分野が採用できる1つの方法は、サンプルサイズを大きくして、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、以下のような研究を設計する上で不可欠です。
実用的な発見をもたらす。
脳内の数え切れないプロセスに対する理解を進める。
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：EmotivLABS 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、より大規模なサンプルグループサイズとより優れた採用基準を確立するよう努めるべきです。EmotivLABのようなクラウドソーシング対応のプラットフォームを活用することで、研究者ははるかに多様で代表的な被験者にアクセス可能となり、研究グループにとって追加のロジスティクス負担を増やすことなく、サンプルサイズを拡大し、すべてのデモグラフィック（人口統計属性）の包括性を向上させることができます。
現代の神経科学研究は、実験サンプルセットに多様なグループを募集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、この問題を象徴しています。ほとんどの大学の研究は、極めて限られた予算の中で、一般的に欧米の（Western）、教育水準が高く（Educated）、工業化された、豊かで不自由のない、民主的（Industrialized, Rich, and Democratic）な国の被験者を対象に行われています。しかし、EmotivLABsのEEGプラットフォームのようなリモートデータ収集ツールにより、研究者は大学のキャンパスを超えて、母集団をより適切に反映したサンプルグループを募集することが可能になります。
EmotivLABs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できるようにします。
EmotivLABsのプラットフォームとリモートEEG機器は、研究者が実験サンプルグループに含まれる人々の多様性を広げるのを支援するだけではありません。全体的なサンプルサイズや、ターゲット母集団への地理的なアプローチに関する問題も緩和します。
EmotivLABs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できるようにします。当社のプラットフォームは、被験者プールの中から実験に最も適した個人とマッチングを行います。参加者を募集したり、スケジュールを調整・管理したり、ラボ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ータ属性（デモグラフィック）を指定することだけであり、EmotivLABsが指定されたパラメータに最も合致する協力者に実験を公開します。参加者は、自身の使い慣れた機器を使用して、自宅で実験を受けることができます。ヘッドセットの扱いに慣れているため、研究者が使用方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データ品質管理および評価機能を提供します。質の低いデータがどれほど大量にあっても、実験設計におけるサンプリングエラーや統計的エラーの解決には役立ちません。しかし、より高品質なデータにアクセスできることは、以下におけるエラーの回避に役立つ解決策を提供します。
サンプリング（標本抽出）
母集団
統計的有意性
EmotivLABsプラットフォームが研究にどのように役立つか、詳細を知りたいですか？
EmotivLABsを使用すれば、実験の作成から、安全かつ確実なテスト展開、グローバルな認証済み参加者パネルからの募集、そして高品質なEEGデータの収集まで、すべてを一元化されたプラットフォームで行うことができます。詳細、またはデモのご要望は、こちらをクリックしてください。