显著性水平：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一种区分疑似真理与谬误的方法。认知神经科学旨在理解遗传、神经和行为系统如何支持生物体感知、互动、导航和思考周围世界的能力。

这意味着认知神经科学在所有分析层面上设计实验并收集数据。世界各地的研究计划为了进一步加深我们对自然世界的理解，正定期通过一系列精心规划的小型实验来测试假设。这些实验往往旨在探究可能或不可能影响结果的特定因素，同时尽量减少环境、性取向、种族或社会经济地位等无关因素的影响。

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) 中的释放是由促使我们产生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

• 与爱人共度时光

• 性

• 糖

假设我们想了解伏隔核中的多巴胺峰值水平是在接触期望的或熟悉的视觉刺激之前、期间还是之后出现。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的释放发生在接触熟悉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？

在实验情境中，“总体”是指被研究的更大的、全体集合的群体。您的实验室不可能也不太现实开发出一种技术，来招募数十万或数万人并收集多巴胺释放数据。

因此，我们将尝试从一个较小的、具有代表性的群体或样本中收集数据，以了解总体。为此，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？

让我们在下面进行详细分解。

统计功效与真实效应

统计功效定义为当差异真实存在时，测试检测出统计学显著差异的概率。它也被称为真实效应。

真实效应是实验设计的基石。Cohen’s 1988 年的报告因其对科学方法的贡献而著称，该报告认为，研究设计应具有 80% 的概率检测到真实效应。这 80% 代表高功效（HP）测试设计，而任何接近 20% 的值都是低功效（LP）测试设计。

Cohen 建议，研究做出 II 型错误（即假阴性）的概率应始终低于 20%。他还将这些相同的指南范围用于错失的发现，即当差异真实存在时，研究人员却不准确地报告没有显著效应。

为什么统计功效如此重要？

想象一下这个场景。如果在 100 项不同的、具有 80% 功效的研究中存在真实效应，统计测试将在 100 项研究中的 80 项中检测到真实效应。然而，当一项研究的研究功效为 20% 时，如果结果中存在 100 个真正的非零效应，这些研究预计只会发现其中的20 个。

神经科学研究中统计功效不足的问题

不出所料，由于神经科学研究具有资源密集型的特殊性，该领域的统计功效中位数约为 21%，平均分布在 8%-31% 的广泛区间内。神经科学研究中较低的统计功效：

• 使研究结果的可复制性受到质疑。

• 导致夸大的效应量。

• 降低了准确代表真实效应的统计学显著结果的可能性。

因此，神经科学研究的现状被困在统计功效问题中，因为这些数值远低于 Cohen 的理论阈值。

建立具有代表性的样本组

方案一的目标：通过具有包容性的大样本量采样，避免测试中的抽样误差以及 I 型和 II 型错误。

如果我们希望实验具有实际意义，那么我们的样本集中需要包含多少张人类大脑扫描图？实际意义是指实验结果是否适用于现实世界。

神经科学家实验确定效应的能力（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，以便我们能够从统计学上评估在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，以尽量减少抽样误差的可能性。

如何避免抽样误差

在继续之前，理解两个概念非常重要。

1. 抽样误差：在抽样时，所选个体的收集数据始终有可能无法代表总体。

2. 统计学显著：统计学显著意味着我们的数据和观察到的效应很可能是真实效应。在大多数生物医学科学中，显着性水平或 p 值定为 .05。从本质上讲，这意味着科学家对实验中观察到的效应有 95% 的信心。

考虑一下如果数据展示了一种关系（例如多巴胺释放）。有 5% 的可能性该效应是由偶然因素引起的，与变量（视觉刺激）无关。这就是 I 型错误。或者，有 5% 的概率表明，当我们收集的数据显示多巴胺释放与视觉刺激之间没有关系时，事实上存在真实效应——即假阴性或 II 型错误。

仔细建立纳入标准更具影响力，因为在达到一定样本量后，会出现边际递减效应。

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学显著性。为了成功设计我们的样本集，必须考虑并避免抽样误差、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：

• 原假设 - 伏隔核中多巴胺释放的时间与具有情感效价的视觉刺激之间没有关系或效应。

• 备择假设 - 伏隔核中多巴胺释放的时间与具有情感效价的视觉刺激之间确实存在关系，且多巴胺释放峰值发生在看到视觉刺激之后。

伏隔核中多巴胺释放的时间与情感效价的视觉刺激之间存在关系。当数据不具有统计学显著性时：

• 我们的假设被拒绝。

• 未发现真实效应或差异。

• 我们观察到的效应同样可能是偶然产生的。

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使整个总体的纳入可能性随机化和/或均等化，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选择他们来收集数据，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总体中随机均等化选择可能性的纳入标准。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 个个体的联系信息。由于名字是平等且随机地从所有地理区域中选出的，这将使选择偏差降到最低。

建立实验设计、增加样本量以及完全实现无偏见、随机且平等应用的纳入标准可能会在短时间内遭遇实际局限。这是一切各级科学研究都面临的问题，从学术演练到成熟的研究型大学皆是如此。通常，预算和时间的局限性是迫使妥协的首要因素。总的来说，这些围绕统计学显著性的问题正是活跃的研究领域。

什么是真实效应量？

由于神经科学研究的统计功效较低，我们往往会高估真实的效应量，从而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得统计功效至关重要。

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的功效。这增加了检测到真实效应的可能性。选择合适的样本量对于设计以下研究至关重要：

• 做出实际的发现。

• 促进我们理解大脑中无数的过程。

• 开发有效的疗法。

克服当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努力建立更大的样本组规模和更好的纳入标准，以实现可靠的统计显著性。通过使用像 EmotivLAB 这样启用众包的平台，研究人员能够接触到潜在的更多样化、更具代表性的受试个体，从而在为研究小组增加极少额外工作量的情况下，改善样本量并提高所有人口统计学数据的包容性。

现代神经科学研究很容易受到抽样误差的影响，这是因为用于为实验样本集招募多元化群体的可用资源有限。“WEIRD 群体”概念概括了这一问题。大多数大学研究的预算极其有限，实验受试者通常来自西方（Western）、受过教育（Educated）、工业化（Industrialized）、富有（Rich）和民主（Democratic）的国家。然而，诸如 EmotivLAB 的 EEG 平台等远程数据收集设备允许研究人员跨越校园限制，在更广泛的范围内招募更符合总体情况的样本组。

EmotivLAB 平台让研究人员摆脱当前的限制，把精力集中在设计实验和分析结果上。

EmotivLAB 的平台和远程脑电图（EEG）设备不仅在帮助研究人员扩大实验样本组中包含的个体的多样性。它还调解了有关目标群体中总体样本量和地理覆盖范围的问题。

EmotivLAB 平台让研究人员摆脱当前的限制，把精力集中在设计实验和分析结果上。我们的平台将实验与受试者库中最佳的合适个体进行匹配。无需花费时间招募、协调和安排参与者，也不用进行实验室内的数据收集。只需要在在线平台上指定所需的人口学特征，EmotivLAB 就会向最符合所需参数的贡献者开放该实验。参与者可以在自己的家中，使用自己的设备进行实验。他们对头戴式设备的熟悉程度使研究人员不再需要提供有关其使用的指导。

除此以外，EmotivLAB 平台还提供自动化的 EEG 记录数据质量控制和评估。大量的低质量数据无助于克服实验设计中的抽样或统计误差。然而，获得更多的高质量数据确实提供了一种有助于避免以下误差的解决方案：

• 抽样

• 总体

• 统计学显著

想要详细了解 EmotivLAB 平台能为您的研究提供哪些支持？

EmotivLAB 能够让您在一个平台上构建实验、安全且稳妥地部署实验、从经过核实的全球参与者面板中进行招募并收集高质量的 EEG 数据。点击这里了解更多信息或申请演示。