医学论文样本量计算：默认还是调参？

引言Introduction

样本量算错，轻则结果不稳，重则论文被质疑“设计先天不足”。很多医学生和临床研究者卡在一个问题上，软件默认值要不要改，什么时候能改，改了会不会更科学。答案不是一刀切，而是先看研究设计，再看参数依据。

1. 先明确：样本量计算不是“填个数字”

1.1 研究设计决定公式

样本量计算的前提，不是先选软件，而是先定研究问题。横断面、病例对照、队列研究、临床试验，所用公式完全不同。同样是“算样本量”，不同设计对应的参数和逻辑并不一样。

例如，横断面研究常关注患病率或均值。病例对照研究更关心暴露率差异或OR。队列研究则常比较结局发生率。临床试验还要结合效应量、检验水准、把握度和失访率。设计没定清，样本量就没有计算基础。

1.2 参数不是越多越好

样本量计算常见参数包括α、β、效应量、标准差、容许误差、暴露率或事件率。这些参数不是随便填，而是要有文献、预实验或临床经验支持。
如果没有依据，填进去的数字只是“看起来合理”，并不等于科学。

实际写论文时，建议把参数来源写清楚：

• α通常取0.05。
• 把握度常取80%或90%。
• 效应量来自文献或预调查。
• 标准差来自既往研究。
• 失访率按真实随访场景估计。

2. 默认值的意义：适合大多数基础研究

2.1 默认值的优势

很多统计软件给出的默认参数，本质上是为常规科研场景准备的。对于初学者，默认值的最大好处是降低出错率。如果你对统计不熟，优先用默认值通常比“凭感觉调参”更安全。

默认值还有一个优点，就是便于复现。审稿人看到明确的默认设置、清楚的公式、规范的软件版本，更容易理解你的研究路径。尤其在开题、伦理和基金申请阶段，这种写法更稳妥。

2.2 什么情况下可以不改默认值

以下情况，默认值通常可直接使用：

1. 常规横断面调查。
2. 常规两组比较。
3. 常见α和把握度设置。
4. 文献支持充分，参数来源明确。

如果研究问题标准、数据来源明确、没有特殊抽样设计，默认值往往已经足够。
对多数基础临床研究来说，真正重要的不是“改不改参数”，而是“参数有没有依据”。

3. 调参不是禁区，但必须有理由

3.1 什么时候可以人工干预

当研究存在特殊设计或特殊现实约束时，参数可以调整。比如：

• 预期效应量特别小。
• 暴露率或事件率明显偏低。
• 需要提高把握度。
• 有严格的经费或招募限制。
• 采用1:n匹配或复杂抽样。

调参的前提是你知道自己在改什么，以及为什么改。
如果只是因为想让样本量更小，或者为了“好做研究”而随意改参数，这样的做法在统计上站不住脚。

3.2 哪些参数最常被误改

最容易被乱改的，通常是以下几个：

• α值。
• 把握度。
• 预计效应量。
• 标准差。
• 容许误差。

其中，α值并不是不能变，但变更后要有清楚理由。比如某些探索性研究会使用更宽松的阈值，但这属于研究策略的一部分，不能默认照搬。对于非统计学高手，最稳妥的做法是保持默认，并查阅文献或请统计人员复核。

4. “样本量估算缺失”会带来什么问题

4.1 审稿人最常追问的点

如果论文里没有样本量估算，常见问题有三个：

1. 研究是否有足够把握发现差异。
2. 阴性结果是否因为样本不足。
3. 研究设计是否经过前期论证。

样本量估算缺失，会直接削弱论文的可信度。
尤其是临床研究和回顾性分析，审稿人会追问你为什么纳入这么多或这么少病例。没有样本量依据，就很难证明设计是合理的。

4.2 缺失不等于不能补救

如果已经完成研究，但事前未做样本量估算，也不是完全没办法。可以在论文中说明：

• 这是回顾性研究，样本来自数据库或病历系统。
• 纳入全部符合条件的病例。
• 研究样本受现实可得性限制。
• 结果解释需结合统计效能谨慎解读。

但要注意，事后解释不能替代规范的样本量设计。
如果能补做，最好补上。至少在方法学和局限性中交代清楚。

5. 医学论文里，哪些情况更适合“默认”，哪些情况必须“调参”

5.1 更适合默认的场景

默认设置更适合以下场景：

• 研究问题简单。
• 参数可从经典文献直接获得。
• 设计符合常规统计框架。
• 研究团队缺少专职统计支持。

这类研究里，“默认”往往意味着稳健、可解释、低风险。
尤其对学生论文、开题报告和小样本探索性研究，默认值通常是更合理的起点。

5.2 必须调参的场景

以下情况建议主动调整并说明理由：

• 采用1:2、1:3病例对照匹配。
• 暴露率极低。
• 事件率偏低且预期差异很小。
• 多中心研究，入组结构复杂。
• 需要按亚组分析预留样本。
• 研究有明确的非标准设定。

当研究本身不是“标准题型”时，就不能只靠默认。
例如队列研究中事件很少，若仍照搬默认值，常会低估样本量。反过来，过度保守也会导致资源浪费。

6. 更实用的做法：先默认，再验证，再微调

6.1 三步法更适合临床研究

对大多数医学生和医生来说，推荐按这个顺序做：

1. 先用默认值跑一次。
   看看样本量大概落在哪个范围。

2. 再核对参数来源。
   检查效应量、标准差、事件率有没有文献支撑。

3. 最后根据研究现实微调。
   例如考虑失访率、分组比例、招募能力和数据完整性。

这个过程比“直接上手改参数”更可靠。默认值是起点，不是终点。

6.2 写作时要把逻辑写出来

在论文方法学里，建议写清楚三件事：

• 采用了什么研究设计。
• 样本量计算依据来自哪里。
• 是否考虑失访、分组比例或安全边际。

例如，可以写成：

• 基于既往文献估计效应量。
• 设定α为0.05，把握度为80%。
• 在此基础上增加10%失访率。
• 最终得到目标样本量。

这种写法比只写“根据公式计算得出样本量”更专业。

7. 结尾：默认值能起步，调参要有证据，缺失要尽量补救

样本量计算不是机械操作。它的核心，是让研究设计和统计推断匹配。默认值适合常规研究，调参适合特殊场景，但前提都是“有依据”。
如果你的论文存在样本量估算缺失，建议尽快补上计算逻辑，至少在方法和局限性中交代清楚。

对需要规范论文设计、补齐统计逻辑、提升发表质量的研究者来说，可以借助解螺旋 获取更系统的写作与统计支持。把样本量算对，研究才更稳，论文也更容易过审。