请输入计算所需参数：
检验水准[1](α)
请选择
单侧/双侧 [2]
请选择
检验效能[3](1-β)
请选择
效应指标类型[4]
差值
差值(d)
标准差(std)[5]
标准差知晓情况[6]
请选择
可免费试用剩余天数：3天
返回
提交
购买套餐
立即购买
提示
您可激活免费试用3天
或开通套餐，立即解锁无限次使用权限
免费试用
开通套餐
提示
您的免费试用期已结束
开通套餐，立即解锁无限次使用权限
开通套餐
应用条件
本程序常用于单一试验组终点与基线的比较、或某均值与参考值进行差异性比较，且主要观察指标为计量资料（如血压、血糖水平等等）的样本含量估计。
注:
[1]
校验水准(α)：
是在假设检验中预先规定的允许犯Ⅰ类错误概率的最大值，用α来表示。假设检验时，研究者可以根据不同研究目的规定α值大小，如规定α=0.05，当H0实际成立而拒绝H0时，则理论上100次检验中平均有5次发生这样的错误。
[2]
单侧/双侧：
①双侧检验
主要目的是检验样本统计量与规定的标准值是否相等(而不考虑是大于还是小于)，这样就把风险分摊到左右两侧。如α=0.05，则概率曲线的左右两侧各占2.5%，也就是95%的可信区间。
②单侧检验
主要目的是为了验证样本统计量是大于还是小于规定的目标值，也就是说只注重验证单一方向。如α=0.05，概率曲线只需要关注某一侧占5%即可，即90%的可信区间。
[3]
检验效能(1-β)：
又称把握度，一般取80%或90%，相当于犯Ⅱ类错误的概率β小于20%或10%。
[4]
效应指标类型：
①差值(d)：
样本均值与某参考值(总体均数)的差值，或试验组终点与基线之差的均数。
②均值：均值0(μ0)
指某参考值或总体均数；
均值1(μ1)
指期望样本均值。
[5]
标准差(std)：
样本的标准差。
[6]
标准差知晓情况：
若总体标准差已知，样本量计算结果基于正态近似算法；未知时(默认)，基于t分布近似算法。
参考文献
1.Chow S C, Shao J, Wang H, et al. Sample size calculations in clinical research[M]. Chapman and Hall/CRC, 2017.
2.方积乾.卫生统计学.第7版[M].北京：人民卫生出版社,2012.
3.O’Brien R G, Muller K E. Unified power analysis for t-tests through multivariate hypotheses[J]. Applied analysis of variance in behavioral science, 1993: 297-344.
4.Lenth R V. Algorithm as 243: cumulative distribution function of the non-central t distribution[J]. Journal of the Royal Statistical Society. Series C (Applied Statistics), 1989, 38(1): 185-189.
