统计显著性：样本大小和统计功效
黎国明
分享：
统计显著性：样本大小和统计功效 -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将怀疑的真相与虚假分开的方法。认知神经科学旨在理解遗传、神经和行为系统如何支持有机体感知、互动、导航和思考周围世界的能力。
这意味着认知神经科学设计实验并在所有分析层面上收集数据。全球范围内的研究项目正在定期测试假设或假说，以进一步提升我们对自然世界的理解，这些测试是经过良好规划的一系列小实验。这些实验倾向于探讨可能或不可能影响结果的特定因素，同时最大限度地减少环境、性取向、种族或社会经济地位等外部因素的影响。
场景一：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）的释放是由使我们有动机行为的行为或事物触发的。这些包括：
享用美好的一餐
与所爱之人相处的时间
性
糖
假设我们想找出多巴胺在NuAc的峰值水平是在暴露于所需或熟悉的视觉刺激之前、期间或之后发生。我们可以利用从阿玛杰·约翰娜·麦金托什的研究中采用的EEG实验设计。我们可以假设多巴胺释放发生在暴露于熟悉或所需的视觉刺激过程中，并在随后稍微达到峰值。
现在，最关键的是，我们从哪里获得测试对象?
在实验情况下，“人群”是指正在研究的更大、总体集体组。你所在的实验室可能没有实用且不太可能发明一种技术来招募并收集数十万或数百万人的多巴胺释放数据。
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人群。为此，我们需要回答两个主要问题。
我们样本中需要包含多少人？
这与实际显著性和统计功效有什么关系？
让我们在下面分解。
统计功效和真实效应
统计功效被定义为测试在实际存在差异的情况下检测统计显著性差异的概率。它也被称为真实效应。
真实效应是实验设计的基石。科恩1988年的报告，因其对科学方法的贡献而著称，认为研究应该设计为具有80%的概率检测到真实效应。这80%代表了一种高功效（HP）测试设计，而任何接近20%的值都是低功效（LP）测试设计。
科恩建议研究应始终具有低于20%的可能性，以避免第二类错误，即假阴性。他还使用这些相同的指导范围来指代漏掉的发现，当研究者错误地报告没有显著效应时，实际上差异确实存在。
为什么统计功效重要?
想象一下这种情况。如果在100个具有80%功效的不同研究中存在真实效应，统计测试将会在100个研究中检测到80个真实效应。然而，当一项研究的研究功效为20%时，如果结果中有100个真实的非零效应，这些研究预计仅能发现其中的20个。
神经科学研究中的统计功效缺陷
不足为奇，由于神经科学研究的资源密集性，该领域的中位统计功效约为21%，平均在8%-31%之间。神经科学研究中的低统计功效：
对研究结果的可复制性产生怀疑。
导致效应量被夸大。
降低准确代表真实效应的统计显著结果的可能性。
因此，当前神经科学研究的状态因统计功效问题而受到限制，因为这些值远低于科恩的理论阈值。
建立代表性样本组
场景一的目标：通过包容性和大的样本来避免取样错误和第一类和第二类错误。
如果我们希望实验在实际意义上显著，那么需要包含多少个人脑扫描在我们的样本集中？实际显著性是指实验结果是否适用现实世界。
神经科学实验的确定效应的能力（统计功效）与样本大小有关。继续场景1的参数，目标仍然是收集足够的数据，以便我们可以统计评估多巴胺释放的时机是否存在真实效应，这在展示情绪充沛的视觉刺激后。我们还需要建立纳入样本的标准，以最小化潜在的抽样错误。
如何避免取样错误
在继续之前，有两个术语需要理解。
取样错误：在取样时，总是有可能选定的个体收集的数据并不能代表人群。
统计显著性：统计显著性意味着我们的数据和观察到的效应可能是真实的效应。在大多数生物医学科学中，统计显著性是以显著性水平或p值为0.05来建立的。本质上，这意味着科学家对在实验中观察到的效应有95%的信心。
考虑数据是否显示出关系（即，多巴胺释放）。存在5%的可能性，该效应来自机会且与变量（视觉刺激）无关。这将是第一类错误。另一方面，也有5%的概率，我们收集的数据可能显示出在多巴胺释放和视觉刺激之间没有关系，实际上存在真实效应 - 这是一种假阴性或第二类错误。
仔细建立纳入标准更具影响力，因为在某个样本大小之后，收益递减的点会出现。
我们希望收集代表所有人的数据，并希望我们的结论在实际意义上和统计上都显著。为了成功设计我们的样本集，必须考虑和避免取样错误、第一类错误（假阳性）或第二类错误（假阴性）。
我们的实验正在测试以下假设：
零假设 - 在NAc中，多巴胺释放的时机与情感值视觉刺激之间没有关系或效应。
假设 - 在NAc中，多巴胺释放的时机与情感值视觉刺激之间确实存在关系，且峰值多巴胺释放发生在看到视觉刺激之后。
在NAc中，多巴胺释放的时机与情感值视觉刺激之间确实存在关系。当数据没有统计显著性时：
我们的假设被驳回。
没有发现真实效应或差异。
我们观察到的效应和机会一样有可能。
理解人群?
实验设计中的实际限制。
在神经科学研究中，正式的纳入标准通常试图在整个人群中随机化和/或均衡纳入的可能性，以避免取样错误。我们需要避免仅仅因为他们是最接近或采集数据的最方便的个体而选择他们，因为这会导致取样错误。
生成样本集的最佳方法是使用纳入标准，随机均衡整个人群中选择的可能性。例如，通过使用人口普查数据，我们可以获得俄亥俄州每个县中50个随机选择的个体的联系信息。这样可以最大限度地减少选择偏见，因为名称会从所有地理区域中随机选择。
确定实验设计、增加样本量，并充分实现无偏、随机和均衡的纳入标准可能会迅速面临实际限制。这对各级科学研究而言都是一个问题，从学术练习到全面的研究大学。通常，预算和时间限制是首先迫使妥协的因素。总的来说，这些关于统计显著性的问题是活跃的研究领域。
什么是 真实效应量?
由于神经科学研究的统计功效较低，我们往往高估真实效应量，导致许多研究的低重现率。此外，神经科学研究的固有复杂性使得统计功效至关重要。
该领域可以采取的一种方法是通过增加样本量来提高研究的功效。这增加了检测真实效应的概率。选择合适的样本量对于设计出：
做出实际发现。
推进我们对大脑中无数过程的理解。
开发有效的治疗方案。
克服当代神经科学研究的挑战：EmotivLAB平台
神经科学研究的实验设计应着力于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。通过访问像EmotivLAB这样的众包平台，研究人员能够接触到潜在的更多样的、更加具有代表性的受试个体 - 通过最小的额外后勤工作提高样本规模和所有人群的包容性。
现代神经科学研究由于招募多样化组以进行实验样本集的资源有限而容易受到取样错误的影响。“WEIRD组”的概念概括了这个问题。大多数大学研究是在预算紧张的情况下进行的，实验对象通常是可以说是来自西方、受过教育、工业化、富裕和民主国家的个体。然而，远程数据收集设备，如EmotivLAB的EEG平台，使研究人员能够超越校园招募更能代表人群的样本组。
EmotivLAB平台和远程EEG设备不仅帮助研究人员扩大实验样本组中个体的多样性，还协调了与总体样本规模和目标人群的地理覆盖相关的整体问题。
EmotivLAB平台使研究人员摆脱了当前的限制，专注于设计实验和分析结果。我们的平台将实验与最适合的参与者匹配。无需花费时间招募参与者、协调和安排他们、进行实验室内数据收集。只需在在线平台中指定所需的人口统计数据，EmotivLAB就会向符合所需参数的贡献者展示该实验。参与者可以在自己家中使用自己的设备参加实验。他们对耳机的熟悉度消除了研究人员提供使用说明的需要。
更重要的是，EmotivLAB平台提供自动的EEG记录数据质量控制和评估。大量低质量数据无法帮助克服实验设计中的取样或统计错误。然而，获得更多高质量数据确实为避免以下方面的错误提供了一个解决方案：
取样
人群
统计显著性
想了解更多有关EmotivLABS平台能为您的研究做什么吗？
EmotivLABS使您能够构建您的实验，安全可靠地部署您的实验，从全球经过验证的参与者面板中招募，并从一个平台收集高质量的EEG数据。点击这里以了解更多或请求演示。
统计显著性：样本大小和统计功效 -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将怀疑的真相与虚假分开的方法。认知神经科学旨在理解遗传、神经和行为系统如何支持有机体感知、互动、导航和思考周围世界的能力。
这意味着认知神经科学设计实验并在所有分析层面上收集数据。全球范围内的研究项目正在定期测试假设或假说，以进一步提升我们对自然世界的理解，这些测试是经过良好规划的一系列小实验。这些实验倾向于探讨可能或不可能影响结果的特定因素，同时最大限度地减少环境、性取向、种族或社会经济地位等外部因素的影响。
场景一：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）的释放是由使我们有动机行为的行为或事物触发的。这些包括：
享用美好的一餐
与所爱之人相处的时间
性
糖
假设我们想找出多巴胺在NuAc的峰值水平是在暴露于所需或熟悉的视觉刺激之前、期间或之后发生。我们可以利用从阿玛杰·约翰娜·麦金托什的研究中采用的EEG实验设计。我们可以假设多巴胺释放发生在暴露于熟悉或所需的视觉刺激过程中，并在随后稍微达到峰值。
现在，最关键的是，我们从哪里获得测试对象?
在实验情况下，“人群”是指正在研究的更大、总体集体组。你所在的实验室可能没有实用且不太可能发明一种技术来招募并收集数十万或数百万人的多巴胺释放数据。
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人群。为此，我们需要回答两个主要问题。
我们样本中需要包含多少人？
这与实际显著性和统计功效有什么关系？
让我们在下面分解。
统计功效和真实效应
统计功效被定义为测试在实际存在差异的情况下检测统计显著性差异的概率。它也被称为真实效应。
真实效应是实验设计的基石。科恩1988年的报告，因其对科学方法的贡献而著称，认为研究应该设计为具有80%的概率检测到真实效应。这80%代表了一种高功效（HP）测试设计，而任何接近20%的值都是低功效（LP）测试设计。
科恩建议研究应始终具有低于20%的可能性，以避免第二类错误，即假阴性。他还使用这些相同的指导范围来指代漏掉的发现，当研究者错误地报告没有显著效应时，实际上差异确实存在。
为什么统计功效重要?
想象一下这种情况。如果在100个具有80%功效的不同研究中存在真实效应，统计测试将会在100个研究中检测到80个真实效应。然而，当一项研究的研究功效为20%时，如果结果中有100个真实的非零效应，这些研究预计仅能发现其中的20个。
神经科学研究中的统计功效缺陷
不足为奇，由于神经科学研究的资源密集性，该领域的中位统计功效约为21%，平均在8%-31%之间。神经科学研究中的低统计功效：
对研究结果的可复制性产生怀疑。
导致效应量被夸大。
降低准确代表真实效应的统计显著结果的可能性。
因此，当前神经科学研究的状态因统计功效问题而受到限制，因为这些值远低于科恩的理论阈值。
建立代表性样本组
场景一的目标：通过包容性和大的样本来避免取样错误和第一类和第二类错误。
如果我们希望实验在实际意义上显著，那么需要包含多少个人脑扫描在我们的样本集中？实际显著性是指实验结果是否适用现实世界。
神经科学实验的确定效应的能力（统计功效）与样本大小有关。继续场景1的参数，目标仍然是收集足够的数据，以便我们可以统计评估多巴胺释放的时机是否存在真实效应，这在展示情绪充沛的视觉刺激后。我们还需要建立纳入样本的标准，以最小化潜在的抽样错误。
如何避免取样错误
在继续之前，有两个术语需要理解。
取样错误：在取样时，总是有可能选定的个体收集的数据并不能代表人群。
统计显著性：统计显著性意味着我们的数据和观察到的效应可能是真实的效应。在大多数生物医学科学中，统计显著性是以显著性水平或p值为0.05来建立的。本质上，这意味着科学家对在实验中观察到的效应有95%的信心。
考虑数据是否显示出关系（即，多巴胺释放）。存在5%的可能性，该效应来自机会且与变量（视觉刺激）无关。这将是第一类错误。另一方面，也有5%的概率，我们收集的数据可能显示出在多巴胺释放和视觉刺激之间没有关系，实际上存在真实效应 - 这是一种假阴性或第二类错误。
仔细建立纳入标准更具影响力，因为在某个样本大小之后，收益递减的点会出现。
我们希望收集代表所有人的数据，并希望我们的结论在实际意义上和统计上都显著。为了成功设计我们的样本集，必须考虑和避免取样错误、第一类错误（假阳性）或第二类错误（假阴性）。
我们的实验正在测试以下假设：
零假设 - 在NAc中，多巴胺释放的时机与情感值视觉刺激之间没有关系或效应。
假设 - 在NAc中，多巴胺释放的时机与情感值视觉刺激之间确实存在关系，且峰值多巴胺释放发生在看到视觉刺激之后。
在NAc中，多巴胺释放的时机与情感值视觉刺激之间确实存在关系。当数据没有统计显著性时：
我们的假设被驳回。
没有发现真实效应或差异。
我们观察到的效应和机会一样有可能。
理解人群?
实验设计中的实际限制。
在神经科学研究中，正式的纳入标准通常试图在整个人群中随机化和/或均衡纳入的可能性，以避免取样错误。我们需要避免仅仅因为他们是最接近或采集数据的最方便的个体而选择他们，因为这会导致取样错误。
生成样本集的最佳方法是使用纳入标准，随机均衡整个人群中选择的可能性。例如，通过使用人口普查数据，我们可以获得俄亥俄州每个县中50个随机选择的个体的联系信息。这样可以最大限度地减少选择偏见，因为名称会从所有地理区域中随机选择。
确定实验设计、增加样本量，并充分实现无偏、随机和均衡的纳入标准可能会迅速面临实际限制。这对各级科学研究而言都是一个问题，从学术练习到全面的研究大学。通常，预算和时间限制是首先迫使妥协的因素。总的来说，这些关于统计显著性的问题是活跃的研究领域。
什么是 真实效应量?
由于神经科学研究的统计功效较低，我们往往高估真实效应量，导致许多研究的低重现率。此外，神经科学研究的固有复杂性使得统计功效至关重要。
该领域可以采取的一种方法是通过增加样本量来提高研究的功效。这增加了检测真实效应的概率。选择合适的样本量对于设计出：
做出实际发现。
推进我们对大脑中无数过程的理解。
开发有效的治疗方案。
克服当代神经科学研究的挑战：EmotivLAB平台
神经科学研究的实验设计应着力于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。通过访问像EmotivLAB这样的众包平台，研究人员能够接触到潜在的更多样的、更加具有代表性的受试个体 - 通过最小的额外后勤工作提高样本规模和所有人群的包容性。
现代神经科学研究由于招募多样化组以进行实验样本集的资源有限而容易受到取样错误的影响。“WEIRD组”的概念概括了这个问题。大多数大学研究是在预算紧张的情况下进行的，实验对象通常是可以说是来自西方、受过教育、工业化、富裕和民主国家的个体。然而，远程数据收集设备，如EmotivLAB的EEG平台，使研究人员能够超越校园招募更能代表人群的样本组。
EmotivLAB平台和远程EEG设备不仅帮助研究人员扩大实验样本组中个体的多样性，还协调了与总体样本规模和目标人群的地理覆盖相关的整体问题。
EmotivLAB平台使研究人员摆脱了当前的限制，专注于设计实验和分析结果。我们的平台将实验与最适合的参与者匹配。无需花费时间招募参与者、协调和安排他们、进行实验室内数据收集。只需在在线平台中指定所需的人口统计数据，EmotivLAB就会向符合所需参数的贡献者展示该实验。参与者可以在自己家中使用自己的设备参加实验。他们对耳机的熟悉度消除了研究人员提供使用说明的需要。
更重要的是，EmotivLAB平台提供自动的EEG记录数据质量控制和评估。大量低质量数据无法帮助克服实验设计中的取样或统计错误。然而，获得更多高质量数据确实为避免以下方面的错误提供了一个解决方案：
取样
人群
统计显著性
想了解更多有关EmotivLABS平台能为您的研究做什么吗？
EmotivLABS使您能够构建您的实验，安全可靠地部署您的实验，从全球经过验证的参与者面板中招募，并从一个平台收集高质量的EEG数据。点击这里以了解更多或请求演示。
统计显著性：样本大小和统计功效 -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将怀疑的真相与虚假分开的方法。认知神经科学旨在理解遗传、神经和行为系统如何支持有机体感知、互动、导航和思考周围世界的能力。
这意味着认知神经科学设计实验并在所有分析层面上收集数据。全球范围内的研究项目正在定期测试假设或假说，以进一步提升我们对自然世界的理解，这些测试是经过良好规划的一系列小实验。这些实验倾向于探讨可能或不可能影响结果的特定因素，同时最大限度地减少环境、性取向、种族或社会经济地位等外部因素的影响。
场景一：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）的释放是由使我们有动机行为的行为或事物触发的。这些包括：
享用美好的一餐
与所爱之人相处的时间
性
糖
假设我们想找出多巴胺在NuAc的峰值水平是在暴露于所需或熟悉的视觉刺激之前、期间或之后发生。我们可以利用从阿玛杰·约翰娜·麦金托什的研究中采用的EEG实验设计。我们可以假设多巴胺释放发生在暴露于熟悉或所需的视觉刺激过程中，并在随后稍微达到峰值。
现在，最关键的是，我们从哪里获得测试对象?
在实验情况下，“人群”是指正在研究的更大、总体集体组。你所在的实验室可能没有实用且不太可能发明一种技术来招募并收集数十万或数百万人的多巴胺释放数据。
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人群。为此，我们需要回答两个主要问题。
我们样本中需要包含多少人？
这与实际显著性和统计功效有什么关系？
让我们在下面分解。
统计功效和真实效应
统计功效被定义为测试在实际存在差异的情况下检测统计显著性差异的概率。它也被称为真实效应。
真实效应是实验设计的基石。科恩1988年的报告，因其对科学方法的贡献而著称，认为研究应该设计为具有80%的概率检测到真实效应。这80%代表了一种高功效（HP）测试设计，而任何接近20%的值都是低功效（LP）测试设计。
科恩建议研究应始终具有低于20%的可能性，以避免第二类错误，即假阴性。他还使用这些相同的指导范围来指代漏掉的发现，当研究者错误地报告没有显著效应时，实际上差异确实存在。
为什么统计功效重要?
想象一下这种情况。如果在100个具有80%功效的不同研究中存在真实效应，统计测试将会在100个研究中检测到80个真实效应。然而，当一项研究的研究功效为20%时，如果结果中有100个真实的非零效应，这些研究预计仅能发现其中的20个。
神经科学研究中的统计功效缺陷
不足为奇，由于神经科学研究的资源密集性，该领域的中位统计功效约为21%，平均在8%-31%之间。神经科学研究中的低统计功效：
对研究结果的可复制性产生怀疑。
导致效应量被夸大。
降低准确代表真实效应的统计显著结果的可能性。
因此，当前神经科学研究的状态因统计功效问题而受到限制，因为这些值远低于科恩的理论阈值。
建立代表性样本组
场景一的目标：通过包容性和大的样本来避免取样错误和第一类和第二类错误。
如果我们希望实验在实际意义上显著，那么需要包含多少个人脑扫描在我们的样本集中？实际显著性是指实验结果是否适用现实世界。
神经科学实验的确定效应的能力（统计功效）与样本大小有关。继续场景1的参数，目标仍然是收集足够的数据，以便我们可以统计评估多巴胺释放的时机是否存在真实效应，这在展示情绪充沛的视觉刺激后。我们还需要建立纳入样本的标准，以最小化潜在的抽样错误。
如何避免取样错误
在继续之前，有两个术语需要理解。
取样错误：在取样时，总是有可能选定的个体收集的数据并不能代表人群。
统计显著性：统计显著性意味着我们的数据和观察到的效应可能是真实的效应。在大多数生物医学科学中，统计显著性是以显著性水平或p值为0.05来建立的。本质上，这意味着科学家对在实验中观察到的效应有95%的信心。
考虑数据是否显示出关系（即，多巴胺释放）。存在5%的可能性，该效应来自机会且与变量（视觉刺激）无关。这将是第一类错误。另一方面，也有5%的概率，我们收集的数据可能显示出在多巴胺释放和视觉刺激之间没有关系，实际上存在真实效应 - 这是一种假阴性或第二类错误。
仔细建立纳入标准更具影响力，因为在某个样本大小之后，收益递减的点会出现。
我们希望收集代表所有人的数据，并希望我们的结论在实际意义上和统计上都显著。为了成功设计我们的样本集，必须考虑和避免取样错误、第一类错误（假阳性）或第二类错误（假阴性）。
我们的实验正在测试以下假设：
零假设 - 在NAc中，多巴胺释放的时机与情感值视觉刺激之间没有关系或效应。
假设 - 在NAc中，多巴胺释放的时机与情感值视觉刺激之间确实存在关系，且峰值多巴胺释放发生在看到视觉刺激之后。
在NAc中，多巴胺释放的时机与情感值视觉刺激之间确实存在关系。当数据没有统计显著性时：
我们的假设被驳回。
没有发现真实效应或差异。
我们观察到的效应和机会一样有可能。
理解人群?
实验设计中的实际限制。
在神经科学研究中，正式的纳入标准通常试图在整个人群中随机化和/或均衡纳入的可能性，以避免取样错误。我们需要避免仅仅因为他们是最接近或采集数据的最方便的个体而选择他们，因为这会导致取样错误。
生成样本集的最佳方法是使用纳入标准，随机均衡整个人群中选择的可能性。例如，通过使用人口普查数据，我们可以获得俄亥俄州每个县中50个随机选择的个体的联系信息。这样可以最大限度地减少选择偏见，因为名称会从所有地理区域中随机选择。
确定实验设计、增加样本量，并充分实现无偏、随机和均衡的纳入标准可能会迅速面临实际限制。这对各级科学研究而言都是一个问题，从学术练习到全面的研究大学。通常，预算和时间限制是首先迫使妥协的因素。总的来说，这些关于统计显著性的问题是活跃的研究领域。
什么是 真实效应量?
由于神经科学研究的统计功效较低，我们往往高估真实效应量，导致许多研究的低重现率。此外，神经科学研究的固有复杂性使得统计功效至关重要。
该领域可以采取的一种方法是通过增加样本量来提高研究的功效。这增加了检测真实效应的概率。选择合适的样本量对于设计出：
做出实际发现。
推进我们对大脑中无数过程的理解。
开发有效的治疗方案。
克服当代神经科学研究的挑战：EmotivLAB平台
神经科学研究的实验设计应着力于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。通过访问像EmotivLAB这样的众包平台，研究人员能够接触到潜在的更多样的、更加具有代表性的受试个体 - 通过最小的额外后勤工作提高样本规模和所有人群的包容性。
现代神经科学研究由于招募多样化组以进行实验样本集的资源有限而容易受到取样错误的影响。“WEIRD组”的概念概括了这个问题。大多数大学研究是在预算紧张的情况下进行的，实验对象通常是可以说是来自西方、受过教育、工业化、富裕和民主国家的个体。然而，远程数据收集设备，如EmotivLAB的EEG平台，使研究人员能够超越校园招募更能代表人群的样本组。
EmotivLAB平台和远程EEG设备不仅帮助研究人员扩大实验样本组中个体的多样性，还协调了与总体样本规模和目标人群的地理覆盖相关的整体问题。
EmotivLAB平台使研究人员摆脱了当前的限制，专注于设计实验和分析结果。我们的平台将实验与最适合的参与者匹配。无需花费时间招募参与者、协调和安排他们、进行实验室内数据收集。只需在在线平台中指定所需的人口统计数据，EmotivLAB就会向符合所需参数的贡献者展示该实验。参与者可以在自己家中使用自己的设备参加实验。他们对耳机的熟悉度消除了研究人员提供使用说明的需要。
更重要的是，EmotivLAB平台提供自动的EEG记录数据质量控制和评估。大量低质量数据无法帮助克服实验设计中的取样或统计错误。然而，获得更多高质量数据确实为避免以下方面的错误提供了一个解决方案：
取样
人群
统计显著性
想了解更多有关EmotivLABS平台能为您的研究做什么吗？
EmotivLABS使您能够构建您的实验，安全可靠地部署您的实验，从全球经过验证的参与者面板中招募，并从一个平台收集高质量的EEG数据。点击这里以了解更多或请求演示。
