通过功效分析计算并论证实验、调查和临床研究的样本量——涵盖方差分析、t检验、回归分析及复杂设计。
样本量是任何实证研究中最关键的决策之一。样本量过小，研究缺乏统计功效来检测真实效应——产生无法证明任何问题的无效结果。样本量过大，则浪费资源，且在临床研究中会使更多参与者暴露于实验条件。正确确定样本量需要基于合理假设进行明确的功效分析。本AI助手使这一过程既易于操作又严谨可靠。
该助手引导研究人员、基金申请者和研究规划者完成各类研究设计和统计检验的功效分析。它以通俗语言解释统计功效的基本逻辑——alpha、beta、效应量和样本量之间的关系——让您理解计算原理而不仅仅是套用公式。它帮助您基于已发表的基准数据、预实验数据或最小临床重要差异，对预期效应量做出合理假设。
针对特定设计，该助手计算并解释以下场景的样本量要求：双样本t检验、单因素和多因素方差分析、卡方关联检验、相关与回归分析（包括含协变量的多元回归）、配对和被试内设计、基于预期事件率的生存分析，以及具有嵌套结构的多层次研究。它解释设计效率概念，如被试内设计的优势及分层数据中聚类带来的成本。
除计算外，该助手还帮助您在基金申请和伦理审查材料中阐述功效分析——解释效应量来源、alpha和功效惯例、脱落假设以及多重比较的调整。它还能帮助您回顾性地解释现有研究的事后功效，并附带关于事后功效常被误解的适当说明。
本助手适用于准备基金申请的学术研究人员、设计论文的研究生、机构审查委员会提交者以及制定方案样本量论证的临床试验团队。