统计显著性：样本大小和统计功效

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区分怀疑的真相与虚假之道。认知神经科学旨在理解基因、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各个分析层面上设计实验并收集数据。全球范围内的研究项目旨在进一步理解自然世界，定期在一系列经过精心策划的小型实验中测试假设。这些实验往往探查可能影响结果的特定因素，同时尽量减少诸如环境、性取向、种族或社会经济地位等外部因素的影响。

情景一：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“感觉良好”的化合物。其在壳核（Nucleus Acccumbens, NuAc）的释放是由使我们有动力行为的行为或事物所触发。这些可以包括：

• 享用美餐

• 与所爱之人共度时光

• 性生活

• 糖

假设我们想找出NuAc中的峰值多巴胺水平是在接触到期望或熟悉的视觉刺激之前、期间还是之后发生的。我们可以使用从阿马蒂亚·约翰娜·麦金托什的研究中借鉴的EEG实验设计。我们的假设是，多巴胺释放在接触熟悉或期望的视觉刺激期间发生并稍后达到顶峰。

现在，最关键的是，我们从哪里找测试对象？

在实验情况下，“人群”指的是正在研究的较大、整体群体。你的实验室不太可能寻找一种技术，以招募和收集成百上千或数百万人的多巴胺释放数据，这在实际操作中是不可行的。

因此，我们将尝试从较小的、具有代表性的群体或样本中收集数据，以理解人群。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体？

2. 这与实际显著性和统计功效有什么关系？

我们来逐一分析。

统计功效与真实效应

统计功效被定义为当真实存在差异时，测试检测到统计上显著差异的概率。它也被称为真实效应。

真实效应是实验设计的基石。科恩的1988年报告因其对科学方法的贡献而闻名，认为研究应设计为具有80%的概率来检测到真实效应。这个80%代表了高功率（HP）测试设计，而任何接近20%的值则是低功率（LP）测试设计。

科恩提出，研究应始终有小于20%概率发生第二类错误，称为假阴性。他还使用相同的指导范围来衡量漏报的发现，即当研究人员错误地报告未发现显著效应时，实际上差异是存在的。

为什么统计功效重要？

想象一下这个场景。如果在100个不同的研究中存在真实效应，且统计功效为80%，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，假如结果中有100个真正的非零效应，这些研究预计仅能发现20个。

神经科学研究中的统计功效缺陷

不足为奇，因为神经科学研究资源密集，该领域的中位统计功效约为21%左右，平均范围在8%-31%。神经科学研究中的低统计功效：

• 对发现的可重复性产生怀疑。

• 导致效应量夸大。

• 降低准确代表真实效应的统计显著结果的可能性。

因此，当前的神经科学研究因统计功效问题而陷入困境，因为这些值远低于科恩的理论阈值。

建立代表性样本群体

情景一的目标：通过包容和规模较大的抽样，避免抽样误差和第一类、第二类错误。

如果我们希望实验在实际意义上具有重要性，我们的样本集中需要包含多少份人脑扫描数据？实际显著性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）与样本大小相关。继续情景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在显示情绪激发的视觉刺激后是否存在多巴胺释放的真实效应。我们还需要建立入样标准，以最小化抽样误差的潜在可能性。

如何避免抽样误差

在继续之前，有两个术语需要了解。

1. 抽样误差：在抽样时，所选择个体的收集数据总是有可能不代表总体。

2. 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效应。在大多数生物医学科学中，统计显著性是以.05的显著性水平或p值确定的。本质上，这意味着科学家们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%的可能性这个效应是由于偶然而与变量（视觉刺激）无关。这将是一类错误。或者，有5%的概率我们收集的数据可能在多巴胺释放与视觉刺激之间并未显示关系，而事实上存在真实效应 - 这是假阴性或第二类错误。

仔细建立入样标准更为重要，因为在特定样本大小后，将出现收益递减的情况。

我们希望收集能够代表所有人类的数据，并希望我们的结论在实际意义上和统计意义上都显著。为了成功设计我们的样本集，必须考虑并避免抽样误差、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 -在多巴胺释放的时机与情绪带有价值的视觉刺激之间没有关系或效应。

• 假设 -在多巴胺释放的时机与情绪带有价值的视觉刺激之间确实存在关系，并且峰值多巴胺释放发生在看到视觉刺激后。

在多巴胺释放的时机与情绪带有价值的视觉刺激之间存在关系。当数据在统计上不显著时：

• 我们的假设被拒绝。

• 未发现真实效应或差异。

• 我们的观察效应同样可能源于偶然。

理解人群？

实验设计中的实际限制。

在神经科学研究中，正式的入样标准通常试图使人群中选择的可能性随机化和/或均等化，以避免抽样误差。我们需要避免仅根据受试者的接近或获取可用性而选择个体，因为这会导致抽样误差。

生成样本集的最佳方法是使用入样标准，使整个群体的选择可能性随机均等化。例如，利用普查数据，我们可以获得在俄亥俄州每个县中随机选择的50个个体的联系方式。这样会减少选择偏差，因为姓名是从所有地理区域随机选择的。

建立实验设计、增加样本大小并充分实现无偏见、随机化的和均等施加的入样标准可能迅速面临实际限制。这是影响所有层面的科学研究的一个问题，从学术练习到全面的研究大学。通常，预算和时间限制是首要迫使妥协的问题。总体来看，这些关于统计显著性的问题仍然是活跃的研究领域。

什么是 真实 效应量？

由于神经科学研究的统计功效低，我们倾向于高估真实效应量，从而导致许多研究的可重复性低。此外，神经科学研究的固有复杂性使得统计功效至关重要。

该领域可以采用的一种方法是通过增加样本大小来提高研究的功效。这增加了检测到真实效应的概率。选择适当的样本大小在设计研究中至关重要，以：

• 进行实际发现。

• 增进我们对大脑中众多过程的理解。

• 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努力建立更大的样本群体，并改善入样标准，以实现可靠的统计显著性。借助像EmotivLAB这样一个众包驱动的平台，研究者可以获取潜在的更为多样化、更具代表性的受试者个体 - 增强样本大小和各类人群的包容性，同时对研究小组的额外后勤努力减少到最低限度。

现代神经科学研究可能因招募多样化实验样本组的资源有限而易受抽样误差的影响。 “WEIRD群体”概念概括了这一问题。大多数大学的研究在预算紧张的情况下进行，实验受试者大多一般是西方的、受过教育的，以及来自工业化、富裕和民主国家的个体。然而，像EmotivLAB的EEG平台这样的远程数据收集设备使研究人员能够超越大学校园招募更能反映人口的样本群体。

EmotivLABs平台使研究人员摆脱当前的约束，从而使他们能够专注于设计实验和分析结果。

EmotivLABs平台和远程EEG设备不仅帮助研究人员扩大纳入实验样本组的个体的多样性。它还解决了整体样本大小和对目标人群的地理范围的问题。

EmotivLABs平台使研究人员摆脱当前的约束，从而使他们能够专注于设计实验和分析结果。我们的平台将实验与主题池中最合适的个体匹配。无需花费时间招募参与者，协调和安排他们，进行实验室数据收集。所需的只是指定在线平台中的目标人群，EmotivLABs将向最符合期望参数的贡献者提供实验机会。参与者可以在自己的家中使用自己的设备进行实验。参与者对耳机的熟悉程度消除了研究人员提供使用说明的必要性。

除此之外，EmotivLAB平台提供自动EEG数据记录质量控制和评估。大量低质量的数据无法克服实验设计中的抽样或统计错误。然而，获取更多高质量数据确实提供了一种解决方案以帮助避免错误，在：

• 抽样

• 人群

• 统计显著性

想了解更多关于EmotivLABs平台可以为您的研究做什么吗？

EmotivLABS使您能够构建您的实验，安全、可靠地部署实验，从全球经过验证的参与者面板招募并收集高质量的EEG数据，所有这些都来自一个平台。点击此处了解更多或请求演示。