R语言统计—配对t检验样本量计算

在我们实际科学研究中，样本量是一个头疼的问题。一般而言，样本量越大，结果估计更精确，但是过大影响计划的实施，过小不能提供足够的统计效能。因此如何确定一个合适的样本量，增加研究的可靠性，得到可信的结果，这是一个重要的问题。因此，我们来讲讲在R语言中如何计算研究需要的样本量。

一、样本量的影响因素
“我的研究究竟需要多少样本量？”要回答这个问题，我们必须要知道影响样本量大小的因素有哪些。

样本的估算公式有很多，不同的统计检验方法，计算样本量的公式也不同，但一般而言影响样本量的因素有以下几种：

（1）事件的发生率：即所谓“小概率、大概率”事件，研究事件结局发生概率越大，需要的样本量越小，比如感冒；事件发生概率越小，样本量越大，比如罕见病。

（2）研究因素的有效率：效率越高，样本量越小。比如我们实验组和对照组所研究指标的差异越大，我们用较小的样本，即可达到统计学上的显著性。

（3）第一类错误的概率α：即我们统计学上平时讲的显著性。α越小，所需的样本量越大，但通常我们的α取值为0.05或者0.01。

（4）第二类错误的概率β：1-β就是我们所说的检验效能，检验效能就是在确定的α水平下，如果差异有统计学意义，我们有多大的把握能发现这种差别。所以β越小，检验效能越大，所需的样本量越大。

（5）容许误差：即要比较两者差多少我们是可以接受的。容许误差越小，需要的样本量越大。该值我们通常需要查阅资料，借鉴前人经验或者通过预实验来确定，或者取临床上有意义的差值。

（6）单双侧检验：一般而言，双侧检验需要的样本量更多。

二、配对t检验样本量的计算
2.1R语言配对t检验样本量计算
在R语言中pwr包给我们提供了一系列的样本量计