【样本含量计算公式】在医学、社会科学以及各类实验研究中，样本含量的合理确定是确保研究结果科学性和可靠性的关键步骤。样本含量计算不仅影响研究的统计效能（power），还关系到资源的合理配置和研究的可行性。因此，掌握样本含量的计算方法具有重要意义。
样本含量的计算通常依赖于以下几个关键因素：研究设计类型（如比较两组均值、率、相关性等）、显著性水平（α）、统计效能（1-β）、预期效应大小（effect size）以及总体变异程度（如标准差）。不同的研究目的和数据类型对应不同的计算公式。
以下是对常见样本含量计算公式的总结，并附有表格形式的展示，便于查阅与应用。
一、样本含量计算公式总结
| 研究类型 | 公式 | 说明 |
| 两独立样本均值比较（t检验） | $ n = \frac{2(Z_{1-\alpha/2} + Z_{1-\beta})^2 \sigma^2}{\delta^2} $ | n为每组样本量；σ为标准差；δ为均值差；Z为分位数 |
| 两独立样本率比较（卡方检验） | $ n = \frac{(Z_{1-\alpha/2} + Z_{1-\beta})^2 (p_1(1-p_1) + p_2(1-p_2))}{(p_1 - p_2)^2} $ | p₁和p₂为两组率；适用于大样本情况 |
| 配对样本均值比较（配对t检验） | $ n = \frac{(Z_{1-\alpha/2} + Z_{1-\beta})^2 \sigma_d^2}{\delta^2} $ | σ_d为差值的标准差；δ为期望差值 |
| 单样本均值与已知值比较（单样本t检验） | $ n = \frac{(Z_{1-\alpha/2} + Z_{1-\beta})^2 \sigma^2}{\delta^2} $ | δ为均值与已知值的差异 |
| 相关系数的样本量计算 | $ n = \frac{(Z_{1-\alpha/2} + Z_{1-\beta})^2}{(\log(1 + r^2))^2} $ | r为相关系数；适用于皮尔逊或斯皮尔曼相关分析 |
| 生存分析（Log-rank检验） | $ n = \frac{4(Z_{1-\alpha/2} + Z_{1-\beta})^2}{(log(\frac{p_1}{p_2}))^2} $ | p₁和p₂为两组事件发生率 |
二、注意事项
1. 统计效能（Power）：一般取80%或90%，表示检测出真实差异的概率。
2. 显著性水平（α）：通常设定为0.05或0.01，表示拒绝原假设时犯第一类错误的概率。
3. 效应大小（Effect Size）：根据已有文献或预实验估计，若不确定可采用保守值。
4. 标准差或率的估计：应基于前期研究或专家判断，避免过高或过低估计。
5. 实际操作中的调整：考虑到失访、数据缺失等因素，建议在计算结果基础上适当增加样本量。
三、结论
样本含量的计算是科学研究设计的重要环节，合理的样本量可以提高研究的可信度和效率。不同研究设计对应的计算公式各有侧重，需结合具体研究目标进行选择。通过表格形式的整理，有助于研究人员快速掌握核心公式，并在实际工作中灵活应用。
在使用这些公式时，建议配合专业统计软件（如GPower、SPSS、R语言等）进行精确计算，以减少人为误差并提升研究质量。