shmmuzhangh
回答
亲您好！为您查询到样本量确认无非是解一个方程。首先大致确定模型和实验设计方案，一般来说以下四个变量构成一个方程：type I error(level of confidence)， type II error(1-statistical power)， 样本量，effect 确定其中3个可以解出第四个。一般样本量计算会假定95%置信度，80%以上的power，合理假设一个size，即预计两组的差异，通过公式得出需要的样本量。其中power和size都可以试试看浮动范围。置信度越高(type I error小)， 或者power越高(可接受type ii error越小)，或者effect size越小，都需要更多的样本。简单的样本量计算网上都有，还有很多包可以用，具体公式要看实验设计，不同设计的计算会不同。比如题主有182家医院，每家人数不同，但是肯定是越分散越powerful。具体可以去看关于抽样的书，stratified 作者：谓之链接：来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
亲！将显示切换到 256 色 某些游戏和其它软件程序“要求”监视器设置成 256 色，或者它们在 256 色下运行的更好。当您启动这些程序时，许多程序会将监视器自动地切换到 256 色。对于那些不自动切换到 256 色的程序，当运行该游戏或程序时如果您想暂时将切换显示，请执行以下步骤。 在桌面上或“开始”菜单上，右键单击想要在 256 色下运行的游戏或其它程序，然后单击“属性”。 单击“兼容性”选项卡。 选中“在 256 色下运行”复选框。 注意 当关闭该程序时，屏幕将恢复默认的颜色质量。 如果软件程序显示错误颜色或图形重画缓慢，试着将显示切换到 256 色。 如果软件程序出现在屏幕中央的一个小窗口中，可以通过暂时更改屏幕分辨率来增加其大小。按照上述步骤，但是在第三步选中“在 640x480 屏幕分辨率下运行”复选框。当关闭该程序时，屏幕分辨率将恢复默认为先前的分辨率。 “兼容性”选项卡仅对位于计算机硬盘上的程序或游戏是可用的。如果程序存储在软盘、光盘或网络上，它是不可用的。
亲：非常感谢您的咨询与帮助，希望我的回答能够帮助到您，祝您万事如意，心想事成，
更多1条
样本量n=C²σ²/p² P — 精度（Precision），也称精确度，由审计师设定，代表样本与总体之间的可接受误差范围。在属性抽样中，精度以百分比表示，在变量抽样中，精度用一个数值表示。精度值越大，样本量越小，总体误差值就越大；反之，精度值越小，样本量越大，总体误差值就越小，但增加了抽样工作量。 σ— 总体标准差（Population Standard Deviation），是衡量总体中个别单位偏离总体平均值的离散程度的指标，标准差越大，样本量越大，用于变量抽样中。 假设这组数据的平均值是m 方差公式s^2=1/n[(x1-m)^2+(x2-m)^2++(xn-m)^2] 标准差是方差开方后的结果(即方差的算术平方根) 精度还是你看情况决定的 可以看看这个 _html样本量n=C²σ²/p² C — 置信系数（Confidence Coefficient），也称置信水平、可信因子，是以百分比（90%、95%、99%等）表示的抽样结果能够代表总体的概率。一般而言，95%的置信水平则认为高度满意，置信水平越高，样本量越大。1减去置信系数为风险水平（Level of Risk），是样本结果不能代表总体的概率。例如C选95%，即抽样结果能够代表总体的概率为95%P — 精度（Precision），也称精确度，由审计师设定，代表样本与总体之间的可接受误差范围。在属性抽样中，精度以百分比表示，在变量抽样中，精度用一个数值表示。精度值越大，样本量越小，总体误差值就越大；反之，精度值越小，样本量越大，总体误差值就越小，但增加了抽样工作量。比如你可以接受的样本与总体之间的误差范围是0~90%σ— 总体标准差（Population Standard Deviation），是衡量总体中个别单位偏离总体平均值的离散程度的指标，标准差越大，样本量越大，用于变量抽样中。 假设这组数据的平均值是m 方差公式s^2=1/n[(x1-m)^2+(x2-m)^2++(xn-m)^2] 标准差是方差开方后的结果(即方差的算术平方根) 这个你会算吧所以 样本量n=C²σ²/p²你相应把数代进去
缺失值的处理：缺失值是人群研究中不可避免的问题，其处理方式的差异可能在不同程度上引入偏倚，因此，详细报告数据清理过程中缺失值的处理方法有助于读者对潜在偏倚风险进行评价。例如，瑞舒伐他汀试验在统计分析部分详细说明了缺失值的填补策略，包括：将二分类结局中的缺失值视为未发生事件；将生物标志物和心电图测量中的缺失值进行多重填补（multiple imputation）；为了证明缺失值处理的合理性和填补结果的稳定性，研究还比较了多重填补与完整数据（complete-case）分析的结果。2、数据的预处理：实施统计分析之前往往需要将原始数据进行预处理，如：对连续变量进行函数转换使其更接近正态分布，基于原始数据构建衍生变量，将连续变量拆分为分类变量或将分类变量的不同类别进行合并等。医学论文应报告处理原始数据的方法及依据，瑞舒伐他汀试验即在统计分析部分描述了对血液生物标志物的对数转换。3、变量分布特征描述：确定统计分析使用的变量，并针对每一个变量的分布特征进行描述，是决定研究选用何种统计分析方法的基础。医学期刊虽然普遍对此提出要求，但作者往往套用常用方法，如：连续变量符合正态分布时，采用均数（标准差）描述，否则采用中位数（四分位间距）描述；分类变量采用频数（百分比）描述等。事实上，应根据研究设计类型、统计分析目的和数据特征选择恰当的描述方法。例如，CKB选择采用年龄、性别和地区校正的均值和率来描述人群分布特征，而非简单的报告连续变量的均数和分类变量的构成比。4、主要分析（primary analysis）：指针对研究结局的统计分析，是研究论文的核心证据。因此，医学论文应详细描述主要分析的实施过程和适用性。在试验性研究中，应明确统计分析数据集、试验效应指标、相对或绝对风险及其置信区间的计算方法、以及假设检验的方法。
