显著性差异：样本量与统计功效 - 为了理解我们周围的世界，研究人员正式使用科学方法作为将怀疑的真相与谬误区分开来的一种方式。认知神经科学旨在理解基因、神经和行为系统如何支持有机体感知周围世界、与之互动、导航并在进行思考的能力。

这意味着认知神经科学要在所有分析层面上设计实验并收集数据。全球范围内寻求进一步加深我们对自然界理解的研究项目，定期在一系列精心规划的小型实验中测试假设。这些实验往往倾向于探究可能或可能不会影响结果的具体因素，同时将环境、性取向、种族或社会经济地位等无关因素的影响降到最低。

方案一：多巴胺释放研究

在认知神经科学中，多巴胺通常被认为是一种“让人感觉良好”的化合物。它在伏隔核（NuAc）中的释放是由激发我们行为动机的行为或事物触发的。这些可能包括：

• 享用一顿美餐

• 与爱人相处

• 性

• 糖

假设我们想了解伏隔核中多巴胺达到峰值的水平是发生在接触到期望的或视觉刺激之前、期间还是之后。我们可以采用借鉴自 Amatya Johanna Mackintosh 的研究中的脑电图（EEG）实验设计。我们可以假设多巴胺释放发生在接触到熟悉的或期望的视觉刺激期间，并在接触后不久达到峰值。

现在，最关键的是，我们从哪里获取测试受试者？

在实验情况下，“总体”指的是被研究的更大的、全体的集合群体。你们的实验室不太可能也不现实能设计出一种技术，来招募数十万或数百万的人，并收集多巴胺释放的数据。

因此，我们将尝试从更小的、有代表性的群体或样本中收集数据，以了解总体。要做到这一点，我们需要回答两个主要问题。

1. 我们的样本中需要包含多少个个体？

2. 这与实际意义和统计功效有什么关系？

让我们在下面详细分析一下。

统计功效与真实效应

统计功效定义为在真实的差异存在时，测试检测到显著性差异的概率。它也被称为真实效应。

真实效应是实验设计的基石。Cohen 在 1988 年的报告因其对科学方法的贡献而著称，该报告论证了研究设计应具有 80% 的概率来检测到真实效应。而这个 80% 代表高功效（HP）测试设计，而接近 20% 的任何值则是低功效（LP）测试设计。

Cohen 建议，研究应始终保持做出 II 型错误（即假阴性）的概率低于 20%。他还将这些相同的指南范围用于错失发现的情形，即当差异真实存在时，研究者却错误地报告没有显著效应。

为什么统计功效很重要？

想想这个场景。如果一个真实效应存在于拥有 80% 功效的 100 项不同研究中，那么统计测试将在 100 项中的 80 项中检测到真实效应。然而，当一项研究的研究功效仅为 20% 时，如果结果中存在 100 个真实的非零效应，这些研究预计只能发现其中 20 个。

神经科学研究中统计功效的不足

不足为奇的是，由于神经科学研究资源密集型的性质，该领域的统计功效中位数大约为 21%，平均分布在 8%-31% 的大范围内。神经科学研究中较低的统计功效：

• 对研究结果的可复制性产生怀疑。

• 导致夸大的效应量。

• 降低了准确代表真实效应的显著性结果的可能性。

因此，神经科学研究的现状受到了统计功效问题的困扰，因为这些值远低于 Cohen 的理论门槛。

建立一个有代表性的样本群

方案一的目标：在我们的测试中，通过具有包容性的大样本量，避免抽样误差以及 I 型和 II 型错误。

如果我们希望实验具有实际意义，我们的样本集中需要包含多少个人脑扫描？实际意义指的是实验结果是否适用于现实世界。

神经科学家确定效应的实验能力（统计功效）与样本量息息相关。延续方案 1 的参数，目标仍然是收集足够的数据，以便我们在统计学上评估展示带有情绪色彩的视觉刺激后多巴胺释放的时间是否存在真实效应。我们还需要建立样本纳入标准，以将抽样误差的可能性降到最低。

如何避免抽样误差

在继续之前，理解两个重要的概念。

1. 抽样误差：抽样时，总有可能出现所选个体收集的数据不能代表总体的情况。

2. 统计学意义：显著性差异意味着我们的数据和观察到的效应很可能是真实的效应。在大多数生物医学科学中，显著性差异是通过显著性水平或小于 .05 的 p 值来确立的。从本质上讲，这意味着科学家对其实验中观察到的效应有 95% 的信心。

考虑如果数据展示了一种关系（即多巴胺释放）。有 5% 的可能性该效应当属出于偶然，与变量（视觉刺激）无关。这将是 I 型错误。或者，有 5% 的概率，我们收集的数据可能显示多巴胺释放与视觉刺激之间没有关系，而事实上，这里存在一个真实的效应——即假阴性或 II 型错误。

仔细推敲建群纳入标准更具影响力，因为在超过一定样本量之后，会存在收益递减点。

我们希望收集代表全人类的数据，并希望我们的结论既具有实际意义，又具有统计显著性。为了成功设计我们的样本集，必须考虑到并避免抽样误差、I 型错误（假阳性）或 II 型错误（假阴性）。

我们的实验正在测试以下假设：

• 虚无假设 - 伏隔核中多巴胺释放的时间与情绪效价视觉刺激之间没有关系或效应。

• 假设 - 伏隔核中多巴胺释放的时间与情绪效价视觉刺激之间存在关系，且多巴胺释放峰值发生在看到视觉刺激之后。

如果伏隔核中多巴胺释放的时间与情绪效价视觉刺激之间存在关系，当数据不具有统计学显著意义时：

• 我们的假设被拒绝。

• 没有发现真实的效应或差异。

• 我们观察到的效应同样可能是由偶然引起的。

理解总体？

实验设计中的实际局限性。

在神经科学研究中，正式的纳入标准通常试图随机化和/或均等化整个人群的纳入概率，以避免抽样误差。我们需要避免仅仅因为某些个体距离最近或最容易接近而将其选入以收集数据，因为这是导致抽样误差的诱因。

生成样本集最好的方法是使用在整个人群中随机平均选择概率的纳入标准。例如，利用人口普查数据，我们可以获取俄亥俄州每个县随机选择的 50 个人的联系信息。这将使选择性偏差降到最低，因为这些名称是从所有地理区域随机且均等抽取的。

建立实验设计、增加样本量、以及充分实现无偏见、随机且均等应用的纳入标准，很快就会遇到实际的局限性。这是从学术练习到成熟的研究型大学在所有层面的科学研究都会面对的问题。通常，预算和时间表的局限性是迫使妥协的首要因素。总的来说，围绕显著性差异的这些问题都是目前活跃的研究领域。

什么是真正的效应量？

由于神经科学研究的统计功效普遍较低，我们往往会高估真实的效应量，导致许多研究的可复制性较低。此外，神经科学研究固有的复杂性使统计功效显得至关重要。

该领域可以采用的一种方法是通过增加样本量来提高研究功效。这增加了检测到真实效应的概率。选择适当的样本量对设计下列研究至关重要：

• 做出具有实际意义的发现。

• 推进对脑中无数过程的理解。

• 开发有效的疗法。

克服现代神经科学研究中的挑战：EmotivLAB 平台

神经科学研究的实验设计应该推崇建立更大的样本群规模和更好的纳入标准，从而实现可靠的显著性差异。通过访问像 EmotivLAB 这样基于众包支持的平台，研究人员能够接触到潜在更多样、更有代表性的受试个体，从而在极少增加研究团队后勤工作的前提下，改善样本量和所有人口统计学数据的包容性。

由于招募多样化群体作为实验样本集的可用资源有限，现代神经科学研究很容易受到抽样误差的影响。“WEIRD 群体” 的概念体现了这一问题。大多数大学里的研究都是在极其有限的预算内进行的，实验对象通常是西方、受过良好教育、富有、民主国家（Western, Educated, Industrialized, Rich, and Democratic）的人。然而，通过像 EmotivLAB 的 EEG 平台这样的远程数据收集设备，研究人员能够将视野扩展到大学校园之外，以招募能更好反映总体的样本群体。

EmotivLAB 的平台和远程 EEG 设备不仅仅在协助研究人员扩大实验样本群落中个体的多样性。它也能够调和与总体样本大小有关，以及在目标人群中地理范围跨度的问题。

EmotivLAB 平台把研究人员从当下的约束中解脱出来，使他们改而能够专注于设计实验、分析结果上。我们的平台会将实验与受试人群中最合适的个体相匹配。研究人员无需花费时间来招募参与者、对他们进行协调和安排日程、以及在实验室内进行数据收集。所需要的做只是在线上平台中指定目标群体，EmotivLAB 就会把该实验开放给那些最符合目标参数的贡献者。参与者可以在自己家中，使用他们自己的设备进行实验。由于参与者对头盔设备已经足够熟悉，研究人员更无须对如何使用提供指导。

除此之外，EmotivLAB 平台还提供自动化的脑电记录数据质量控制与评估。大量低质量的数据对于克服实验设计中的抽样或统计误差并无帮助。然而，获取更多的高质量数据，确实提供了一个关于如何帮助规避以下几项错误的方法：

• 抽样

• 总体

• 显著性差异

希望了解更多有关 EmotivLAB 平台能为您的研究带来什么吗？

EmotivLAB 能够在一平台上助您构建实验、安全且稳妥地部署实验、从全球经核实的参与者面板中招募人选、并收集高质量的脑电图（EEG）数据。点按这里以了解更多，亦或申请产品演示。