顯著性差異：樣本量與統計檢定力 - 為了探索大自然與世界，研究人員藉助科學方法，將假說假定（事實）與謬誤區分開來。認知神經科學旨在了解基因、神經和行為系統如何支援生物感知其周遭世界、相互交流、導航並進行思考的能力。

這意味著認知神經科學在各個分析層面上設計實驗和收集數據。全球旨在深化我們對自然界理解的研究計劃，每每都在精心規劃、規模較小的一系列實驗中，對某些假設或假說進行測試。這些實驗傾向於探測可能或可能不會影響結果的具體因素，同時最大程度地減少外部因素的影響，例如環境、性取向、種族或社會經濟地位。

情境一：多巴胺釋放研究

在認知神經科學中，多巴胺通常被視為一種「感覺良好」的化合物。其存在於伏隔核（NuAc）中的釋放，是由使我們有動力去執行某些行為的行為或事物所觸發。這些可以包括：

• 品嚐美食

• 與所愛的人共度時光

• 性愛行為

• 攝取糖分

假設我們想知道 NuAc 中的多巴胺峰值，是出現在接觸預期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 研究中的腦電波（EEG）實驗設計。我們可以假設多巴胺是在接觸熟悉或預期的視覺刺激期間釋放，並在接觸後不久達到峰值。

現在，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」是指正在接受研究的更大、完整的集體群體。要您的實驗室設計一種能招募數十萬或數百萬人，並收集其多巴胺釋放數據的技術是極不切實際且不太可能的。

因此，我們將嘗試從較小、具代表性的群體或樣本中收集數據以了解該母體。要做到這一點，我們需要回答兩個主要問題。

1. 我們的樣本中需要包括多少個人？

2. 這與實際顯著性和統計檢定力有何關係？

讓我們在下面做進一步分析。

統計檢定力和真實效應

統計檢定力被定義為在確實存在差異時，檢測檢驗出顯著性差異的機率。它也被稱為真實效應。

真實效應是實驗設計的基石。在 1988 年發表的 Cohen's 報告（對科學方法的推展做出了巨大的貢獻）中推論指出，一項研究在設計上應具有 80% 的機率去檢測到真實效應。這 80% 代表高檢定力（HP）的測試設計，而任何接近 20% 的數值都是低檢定力（LP）的測試設計。

Cohen 建議，研究人員在進行研究時，發生型二錯誤（Type II error，即偽陰性）的機率應始終低於 20%。對於錯失發現（即當研究人員在確實存在差異時，錯誤地報告沒有顯著效果），他也建議採用相同的準則範圍。

為什麼統計檢定力如此重要？

想想看這個情境：在 100 項具有 80% 檢定力的不同研究中，若是確實存在真實效應，那麼統計測試將在其中的 80 項研究中檢驗出真實效應。然而，當一項研究的檢定力為 20% 時，如果結果中存在 100 個真正的非虛無效應（non-null effects），預計這些研究只能發現其中的 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約為 21%，平均分佈於 8%-31% 的寬幅區間內。神經科學研究中低統計檢定力會：

• 引發對研究發現可重複性的懷疑。

• 導致誇大的效應量。

• 降低獲得精確代表真實效應之顯著性差異結果的可能性。

因此，神經科學研究的現狀被統計檢定力問題所困擾，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：透過具包容性的大樣本量，在我們的測試中避免抽樣誤差以及型一與型二錯誤。

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括多少張人類大腦掃描圖？實際顯著性是指實驗結果是否能應用於現實世界中。

神經科學家決定其實驗效應（統計檢定力）的能力與樣本量有關。延續情境一的參數，目標仍然是收集足夠的數據，以便使我們能通盤地在統計上評估在展示充滿情感激起的視覺刺激後，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，以盡量減少發生抽樣誤差的角度。

如何避免抽樣誤差

在繼續之前，必須先了解兩個重要的術語。

1. 抽樣誤差： 抽樣時，因著不同情況，所選個人的收集數據可能無法完全代表母體。

2. 顯著性差異： 顯著性差異是指我們的數據和觀察到的效應很可能是真實效應。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 值建立的。這基本上意味著科學家對其實驗中觀察到的效應有 95% 的信心。

試想如果數據顯示出某種因果關係（即多巴胺釋放）。有 5% 的可能性這個效應是出於偶然，與變數（視覺刺激）無關。這將會是一個型一錯誤（Type I error）。相反地，若我們的收集數據顯示多巴胺釋放與視覺刺激之間沒有關聯，但事實上存在真實效應，這種可能性有 5% — 這即是偽陰性或型二錯誤（Type II error）。

相較於超過一定樣本量後收益遞減的情況，仔細建立納入標準更顯關鍵，且往往更具影響力。

我們希望能收集代表全人類的數據，並且希望我們的結論既具有實際顯著性，也具有顯著性差異。為了成功設計我們的樣本集，必須考慮並避免抽樣誤差、型一錯誤（偽陽性）或型二錯誤（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具情感價值的視覺刺激之間沒有關係或效應。

• 研究假設 - 伏隔核（NAc）中多巴胺釋放的時間點與具情感價值的視覺刺激之間存在著關係，且多巴胺釋放的頂點峰值，是出現在觀看視覺刺激之後。

伏隔核（NAc）中多巴胺釋放的時間點與具情感價值的視覺刺激之間存在著一定的關係。當數據沒有顯著性差異時：

• 我們的假設會被拒絕。

• 未發現真實效應或差異。

• 我們觀察到的效應很可能只是偶然產生的結果。

理解母體？

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在母體中隨機和/或均等化被納入的可能性，以避免抽樣誤差。我們需要避免僅僅因為某些人最接近或最容易接觸到，而選擇他們來收集數據，因為這正是導致抽樣誤差發生的溫床。

生成樣本集最好的方法是使用納入標準，隨機均等化在整個母體中被選擇的可能性。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擇的 50 個人的聯絡資訊。這將極大化減少選擇偏差，因為名字是從所有地理區域中平等且隨機挑選出來的。

建立實驗設計、增加樣本量，並完全實現無偏、隨機和平等應用的納入標準，很快就會面臨實際侷限的限制。這對於各個層面的科學研究都是一個亟待解決的問題，從學術練習到成熟的研究型大學無一例外。通常，預算和時間表的限制是最先迫使研究做出妥協的。總的來說，這些圍繞顯著性差異的問題，是當前十分活躍的研究領域。

什麼是真實的效應量？

由於神經科學研究的統計檢定力偏低，我們往往會高估真實的效應量，從而導致許多研究的可重複性偏低。此外，神經科學研究固有的複雜性使統計檢定力顯得至關重要。

該領域可以採用的一種方法是透過增加樣本量來提高研究的檢定力。這提高了檢測出真實效應的機率。選擇合適的樣本量對於設計以下研究至關重要：

• 能帶來實際發現的研究。

• 能促進我們對大腦中無數運作過程理解的研究。

• 能開發出有效療法的研究。

克服當代神經科學研究的一大挑戰：EmotivLAB 平台

神經科學研究的實驗設計應致力於建立更大的樣本組規模和更優質的納入標準，能更好地實現可靠的顯著性差異。透過使用像 EmotivLAB 這樣群眾外包啟用的平台，研究人員得以接觸到潛在更具多樣性、更能代表母體的受試個體 — 對於研究團隊而言，這只需極少的額外後勤工作，即可顯著改善樣本量與所有人口特徵的包容性。

由於招募多樣化群體作為實驗樣本集的可用資源有限，現代神經科學研究很容易受到抽樣誤差的影響。 「WEIRD 群體」的概念概括了這一問題。大多數大學研究是在極為有限的預算下進行的，其實驗受試者通常是來自西方、接受過良好教育、工業化、富有和民主國家的群體。然而，像 EmotivLABs 的 EEG 平台等遠端數據收集設備，使研究人員能夠走入大學校園之外，招募能更好地反映真實母體的樣本群體。

EmotivLABs 平台將研究人員從現有的限制中解放出來，使他們能夠專注將精力投入於設計實驗和分析結果之上。

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納入個體的多樣性。它還緩解了解決了有關總體樣本量，以及地理範圍覆蓋到目標母體時可能遇到的難題。

EmotivLABs 平台將研究人員從現有的限制中解放出來，使他們能夠專注將精力投入於設計實驗和分析結果之上。我們的平台在受試者庫中為實驗匹配最合適的人選。您無需花費時間招募參與者、協調和安排時間，並在實驗室內完成數據收集。全且僅需在線上平台指定所需的受試人口特徵，EmotivLABs 就會向最符合預設參數的貢獻者開放該實驗。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程度，使得研究人員無需就其使用方法提供解說教學。

不僅如此，EmotivLAB 平台還提供自動化的腦電波（EEG）記錄數據品質控制和評估。大量的低品質數據對於克服實驗設計中的抽樣或統計誤差毫無幫助。然而，獲得更多高品質數據，確實提供了一套有助於避免以下誤差的解決方案：

• 抽樣

• 母體

• 顯著性差異

想進一步了解 EmotivLABs 平台如何賦能您的研究嗎？

EmotivLABS 讓您可以安全無虞地建立並部署實驗、從全球經身分驗證的參與者面板中進行招募，並收集高品質的腦電波（EEG）數據，這一切皆可在一個平台輕鬆完成。點擊此處了解更多資訊或申請示範演示。