1. 心理学实验样本量计算的核心逻辑做心理学实验最让人头疼的问题之一就是到底需要多少被试这个问题看似简单实际上涉及到统计功效、效应量、检验方法等多个维度的考量。我见过太多研究者在这个问题上栽跟头——有的收了几十个被试就匆忙开始分析结果发现效应不显著有的收了上百个被试却发现实验设计本身存在问题。统计功效statistical power是指你的实验能够检测到真实效应的概率。一般来说我们希望这个概率能达到80%以上。举个例子如果你要比较两组人的记忆成绩假设真实的组间差异存在比如d0.4那么你的实验设计应该有80%的概率能检测到这个差异。要达到这个目标就需要足够的样本量。效应量effect size是另一个关键指标。在心理学领域Cohens d0.2被认为是小效应0.4是中等效应0.8是大效应。但要注意很多新手会犯一个典型错误——高估自己研究的效应量。我见过不少研究者自信满满地认为自己的实验效应量能达到0.8结果实际分析时发现连0.3都不到。稳妥起见建议按中等效应量d0.4来计算样本量。2. 不同实验设计下的样本量计算2.1 t检验场景独立样本t检验是最常见的设计之一。假设你想比较两组人的反应时差异预期效应量d0.4显著性水平α0.05双尾统计功效80%。用G*Power计算会发现每组需要100人总共200人。这个数字可能会让很多研究者望而却步。重复测量t检验配对样本t检验由于考虑了被试内变异需要的样本量会小很多。同样的参数设置下只需要52名被试。这就是为什么在条件允许的情况下研究者更倾向于采用重复测量设计。不过要注意重复测量设计可能存在顺序效应需要通过平衡设计来规避。2.2 方差分析场景单因素组间方差分析三个水平需要的样本量会显著增加。假设三个水平中最大差异的效应量d0.4用G*Power计算f系数f0.2结果显示每组需要75-100人总样本量225-300人。如果是更复杂的2×2组间设计样本量需求会呈几何级数增长。重复测量方差分析的情况会好一些。同样是三水平设计如果重复测量变量间的相关性r0.5大约需要75名被试如果r0.9样本量可以进一步减少。这解释了为什么认知心理学实验经常采用高相关性的重复测量设计——比如同一个被试完成所有实验条件。3. 传统统计与贝叶斯分析的样本量差异3.1 传统p值检验的局限性传统p值检验p0.05存在众所周知的缺陷——容易产生假阳性。我做过一个模拟实验生成100组随机数据用t检验分析结果有5组达到了显著水平p0.05。这就是为什么单纯依赖p值很容易得出错误结论。更隐蔽的问题是p-hacking——研究者通过不断调整分析方法比如剔除异常值、变换变量等直到获得显著结果。这种操作会严重高估效应量。一个实用的建议是在收集数据前就确定好分析方案并坚持执行。3.2 贝叶斯分析的样本量需求贝叶斯因子Bayes Factor提供了另一种思路。通常认为BF10是支持备择假设的强证据。但达到这个标准需要更大的样本量。例如组间t检验d0.4需要每组190人比传统检验多出近一倍。贝叶斯分析的样本量计算更复杂因为没有现成的公式。我的经验是先用G*Power计算传统检验的样本量然后乘以1.5-2倍。也可以使用JASP软件进行模拟分析它会给出不同样本量下贝叶斯因子的预期分布。4. 实际操作中的样本量优化策略4.1 预实验与效应量估计很多研究者跳过预实验直接进入正式实验这是非常危险的。我建议至少做一个小规模预实验n20-30来估计效应量。实际操作中你会发现文献报告的效应量往往高于实际值。比如某篇论文报告d0.6你的预实验可能只得到d0.3。预实验还能检验实验流程是否顺畅。我曾设计过一个记忆实验预实验时发现任务太难导致天花板效应及时调整后才避免了正式实验的灾难。4.2 提高测量精度的方法增加每个被试的测量次数是提高统计功效的有效方法。比如在反应时实验中让每个被试完成100次试次比50次试次能更稳定地估计其真实水平。这种方法特别适合fMRI等昂贵的研究可以用较少被试获得可靠数据。另一种策略是提高测量工具的信度。一个信度0.6的量表要检测d0.4的效应可能需要200人如果改用信度0.9的量表可能只需要80人。这就是为什么开发高信度的测量工具如此重要。4.3 在线实验平台的利用传统实验室研究很难招募大量被试但现在有了Prolific、Credamo等在线平台收集几百份数据不再是难事。我最近的一个项目在两周内就收集了500份有效数据成本还不到实验室研究的一半。不过在线实验有特殊注意事项要设置注意力检查题剔除反应时间过短或模式化作答的被试要针对小屏幕优化实验材料要考虑网络延迟对计时精度的影响。