顯著性差異：樣本量與統計檢定力 - 為了了解我們周圍的世界，研究人員正式使用科學方法作為區分疑似真理與謬誤的一種方式。認知神經科學旨在了解遺傳、神經和行為系統如何支持有機體感知、互動、導航其周圍世界並進行思考的能力。

這意味著認知神經科學會在所有分析層面上設計實驗並收集數據。全球範圍內旨在深化我們對自然界理解的研究項目，經常在精心規劃的一系列較小規模實驗中檢驗假設。這些實驗傾向於探測可能或可能不會影響結果的特定因素，同時盡可能地減少環境、性取向、種族或社會經濟狀況等無關因素的影響。

情境一：多巴胺釋放研究

在認知神經科學中，多巴胺通常被認為是一種「讓人感覺良好」的化合物。它在伏隔核 (NuAc) 中的釋放是由促使我們產生行為動機的行為或事物所觸發的。這些可能包括：

• 享用一頓美餐

• 與心愛的人共度時光

• 性行為

• 糖

假設我們想了解 NuAc 中的多巴胺峰值水平是發生在接觸所需或熟悉的視覺刺激之前、之中還是之後。我們可以使用採用自 Amatya Johanna Mackintosh 的研究的腦電圖 (EEG) 實驗設計。我們可以假設，多巴胺的釋放發生在接觸熟悉或所需的視覺刺激期間，並在接觸後稍後達到峰值。

最關鍵的是，我們去哪裡尋找測試受試者？

在實驗情況下，「母體」是指正在被研究的更大、整體的集體群體。您的實驗室不太可能也不切實際去設計一種技術來招募數十萬或數百萬人並收集多巴胺釋放數據。

因此，我們將嘗試從較小的、具有代表性的群體或樣本中收集數據，以了解母體的狀況。為此，我們需要回答兩個主要問題。

1. 我們的樣本中需要包含多少個體？

2. 這與實際顯著性及統計檢定力有何關係？

讓我們在下面進行詳細剖析。

統計檢定力與真實效應

統計檢定力被定義為在確實存在顯著差異時，測試檢測出具有統計學意義差異的概率。它也被稱為真實效應。

真實效應是實驗設計的基石。Cohen 於 1988 年發表的報告因其對科學方法的貢獻而產生深遠影響，其論證一項研究的設計應具有 80% 的概率來檢測出真實效應。這 80% 代表高檢定力 (HP) 測試設計，而任何接近 20% 的數值則是低檢定力 (LP) 測試設計。

Cohen 建議，研究應始終使犯下第二型錯誤（即偽陰性）的概率低於 20%。對於錯失發現（即當研究人員在確實存在差異時，錯誤地申報沒有顯著效應），他也使用了相同的指導範圍。

為什麼統計檢定力如此重要？

想想這個情境。如果在 100 項具有 80% 檢定力的不同研究中存在真實效應，統計測試將在其中 80 項研究中檢測出真實效應。然而，當一項研究的檢定力僅為 20% 時，如果結果中存在 100 個真正的非虛無效應，這些研究預計只能發現其中的 20 個。

神經科學研究中統計檢定力的缺陷

不出所料，由於神經科學研究高度消耗資源的特性，該領域的統計檢定力中位數僅為約 21%，且平均分佈在 8%-31% 的寬區間內。神經科學研究中低統計檢定力會：

• 使研究結果的可複製性受到質疑。

• 導致效應量被誇大。

• 降低獲得能準確代表真實效應之顯著統計結果的可能性。

因此，目前的神經科學研究受困於統計檢定力問題，因為這些數值遠低於 Cohen 的理論門檻。

建立具代表性的樣本群體

情境一的目標：透過具包容性的大型抽樣，避免在我們的測試中出現抽樣誤差以及第一型和第二型錯誤。

如果我們希望實驗具有實際顯著性，我們的樣本集中需要包含多少張人腦掃描圖？實際顯著性指的是實驗結果是否適用於現實世界。

神經科學家決定效應的實驗能力（統計檢定力）與樣本量相關。延續情境 1 的參數，目標仍然是收集足夠的數據，以便我們能夠統計評估在展示充滿情感的視覺刺激後，多巴胺釋放的時間點是否存在真實效應。我們還需要建立納入樣本的標準，以盡量減少抽樣誤差的可能性。

如何避免抽樣誤差

在繼續之前，有兩個概念需要先理解。

1. 抽樣誤差：抽樣時，選定個體所收集到的數據總是有可能無法代表母體。

2. 統計學上的顯著性：統計學上的顯著性意味著我們的數據和觀察到的效應很可能是真實的效應。在大多數生物醫學科學中，顯著性差異是以 .05 的顯著水準或 p 值來確定的。這本質上意味著科學家們對其實驗中觀察到的效應有 95% 的把握。

想想看，如果數據顯示出某種關係（即多巴胺釋放）。有 5% 的可能性該效應是由偶然因素引起的，與變量（視覺刺激）無關。這將是第一型錯誤。或者，有 5% 的概率顯示我們收集的數據表明多巴胺釋放與視覺刺激之間沒有關係，但事實上存在真實效應——這就是偽陰性或第二型錯誤。

仔細建立納入標準更具影響力，因為在達到一定樣本量後會出現邊際收益遞減的情況。

我們希望收集代表所有人類的數據，並且希望我們的結論既有實際顯著性，也具有統計學上的顯著性。為了成功設計我們的樣本集，必須考慮並避免抽樣誤差、第一型錯誤（偽陽性）或第二型錯誤（偽陰性）。

我們的實驗正在測試以下假設：

• 虛無假設 - 伏隔核 (NAc) 中多巴胺釋放的時間點與情緒誘發的視覺刺激之間沒有關係或效應。

• 對立假設 - 伏隔核 (NAc) 中多巴胺釋放的時間點與情緒誘發的視覺刺激之間確實存在關係，且多巴胺釋放峰值發生在看到視覺刺激之後。

伏隔核 (NAc) 中多巴胺釋放的時間點與情緒誘發的視覺刺激之間存在關係。當數據在統計上不顯著時：

• 我們的假設被拒絕。

• 未發現真實效應或差異。

• 我們觀察到的效應同樣可能是偶然發生的。

了解母體？

實驗設計中的實際限制。

在神經科學研究中，正式的納入標準通常會試圖對整個人口中的納入機率進行隨機化和/或均等化，以避免抽樣誤差。我們需要避免僅僅因為某些個體距離最近或最容易接觸到就選擇他們來收集數據，因為這是產生抽樣誤差的温床。

生成樣本集最好的方法是使用納入標準，使整個母體的被選機率達到隨機均等。例如，利用人口普查數據，我們可以獲得俄亥俄州每個縣隨機選取的 50 名個體的聯絡資訊。這將使選擇偏差降到最低，因為名字是平等地從所有地理區域隨機選取的。

建立實驗設計、增加樣本量，並完全實現無偏見、隨機、且平等應用的納入標準，可能會迅速面臨實際限制。這是各個層面的科學研究都會遇到的問題，從學術練習到成熟的研究型大學皆然。通常，預算和時間線局限是迫使做出妥協的首要因素。總的來說，這些圍繞顯著性差異的問題正是當前活躍的研究領域。

什麼是次真實效應大小？

由於神經科學研究的統計檢定力較低，我們往往會高估真實效應大小，從而導致許多研究的可重複性較低。此外，神經科學研究固有的複雜性使得統計檢定力至關重要。

學界可以採用的一種方法是通過增加樣本量來提高研究的檢定力。這增加了檢測到真實效應的概率。選擇適當的樣本量對於設計以下研究至關重要：

• 做出實用的發現。

• 推進我們對大腦中無數過程的理解。

• 開發有效的療法。

克服當代神經科學 research 的挑戰：EmotivLABs 平台

神經科學研究的實驗設計應努力建立更大的樣本群體規模和更好的納入標準，以獲得可靠的顯著性差異。通過使用像 EmotivLABs 這樣啟用眾包（crowd-sourced）的平台，研究人員有機會接觸到潛在多樣性更高、代表性更強的受試個體，從而提高樣本量和所有人口統計學數據的包容性，且研究小組只需付出極少額外的後勤努力。

現代神經科學研究由於招募實驗樣本集多元群體的可用資源有限，很容易受到抽樣誤差的影響。「WEIRD 群體」的概念就概括了這一問題。大多數大學的研究預算都極其有限，其實驗受試者一般來說都是西方的（Western）、受過良好教育的（Educated），且來自工業化（Industrialized）、富有（Rich）和民主（Democratic）的國家。然而，遠端數據收集設備（例如 EmotivLABs 的 EEG 平台）使研究人員能夠超越大學校園，招募能更好地反映母體狀況的樣本群體。

EmotivLABs 的平台和遠端 EEG 設備不僅可以幫助研究人員擴大實驗樣本組中個體的多樣性。它還緩解了關於目標人群整體樣本大小和地理覆蓋範圍的問題。

EmotivLABs 平台將研究人員從當前的限制中解放出來，使他們能夠將精力集中在設計實驗和分析結果上。我們的平台會將實驗與受試者池中最合適的個體進行匹配。無需花費時間招募參與者、協調安排他們的時間，以及在實驗室內進行數據收集。只需在線上平台上指定所需的人口統計學特徵，EmotivLABs 就會向最符合所需參數的貢獻者提供該實驗。參與者可以在自己家中，使用自己的設備進行實驗。他們對頭戴式設備的熟悉消除了研究人員提供使用說明的需要。

除此以外，EmotivLABs 平台還提供自動化的腦電圖 (EEG) 錄製數據質量控制和評估。大量低質量的數據並不能幫助克服實驗設計中的抽樣或統計誤差。然而，擁有更多高質量的數據確實提供了解決方案，以幫助避免以下方面的誤差：

• 抽樣

• 母體

• 顯著性差異

想要了解更多關於 EmotivLABs 平台能為您的研究做些什麼？

EmotivLABS 使您能夠在一個平台上建立您的實驗、安全且放心地部署您的實驗、從全球已驗證的參與者面板中招募人員，並收集高質量的 EEG 數據。點擊此處了解更多信息或申請演示。