标准方法

在计算样本量时，许多科学家会采用标准值来设定α和β。他们通常将α设为0.05，β设为0.20（这相当于将功效设为80%）。

标准方法的优点在于，其他人也都是这么做的，而且无需费太多脑筋。缺点是，它并不总能很好地确定样本量

根据具体科研情境选择α和β

在计算样本量时，应根据实验设置以及犯第一类或第二类错误的后果来选择α和功效的数值（）。

让我们考虑四个略显人为的例子。假设您正在进行一项筛选试验，旨在检测在您的系统中具有活性的化合物。在此背景下，Ⅰ类错误是指错误地认定一种药物有效，而实际上它并不有效；Ⅱ类错误是指错误地认定一种药物无效，而实际上它有效。但犯下Ⅰ类或Ⅱ类错误的后果取决于实验的具体情境。让我们考虑以下四种情况。

•A. 从庞大的化合物库中筛选药物，且选择药物时没有生物学依据。您知道其中一些“阳性结果”将是假阳性（Ⅰ类错误），因此计划在另一项检测中对所有这些“阳性结果”进行复测。因此，Ⅰ类错误的后果是您需要对该化合物进行复测。 您不想重复测试过多的化合物，因此不能将α值设得过高。但将其设为一个相当高的数值（例如0.10）或许是合理的。当某药物实际上有效，而您却得出其无统计学显著效果的结论时，就会发生Ⅱ类错误。但在这种背景下，您还有数十万种药物待测，而您不可能全部测试。 通过选择较低的功效（例如60%），您可以使用较小的样本量。虽然您知道会漏掉一些真正有效的药物，但同样的投入可以测试更多药物。因此，在此情境下，将α值设为较高数值是合理的。总结：低功效，高α值。

•B. 筛选基于科学逻辑选定的药物。Ⅰ类错误的后果与前文相同，因此将α值设为0.10是合理的。但在此情境下，Ⅱ类错误的后果更为严重。这些化合物是经过慎重筛选的，因此Ⅱ类错误意味着可能遗漏一款优秀的药物。在此情境下，应将功效设为较高值。总结：高效能，高α值。

•C. 测试经过精心筛选的药物，且没有进行第二轮测试的机会。 假设这些化合物可能不稳定，因此只能在一次实验中使用。该实验的结果 - 即命中与未中名单 - 将用于建立结构活性关系，进而据此制定新的化合物清单供化学家合成。这是一项耗资巨大且耗时费力的任务，因此此次实验承担着重大责任，且难以重复。 在此情况下，Ⅰ类和Ⅱ类错误的后果都相当严重，因此您将α设为较小值（例如0.01），并将功效设为较大值（例如99%）。选择这些参数意味着您需要更大的样本量，但在此情境下，这笔投入是值得的。总结：高功效，低α值。

•D. 重新审视情景C。情景C所需的样本量可能过高而难以实现。您根本无法进行如此多的重复实验。与同事商议后，您认为犯I类错误（错误地认为药物有效）的后果远比犯II类错误（漏检真实有效的药物）严重得多。 一次误判可能会对您的结构活性关系研究产生巨大影响，并导致化学家合成错误的化合物。而错误地判定一种药物无效，其后果则相对较轻。因此，您选择较低的α值，同时也接受较低的功效。总结：低功效，低α值。

核心要点

这些情景是人为设定的，当然，唯一有权决定如何设计药物筛选方案的，是进行筛选的研究人员。但这些情景说明了一个道理：在选择α值和功效时，必须仔细权衡犯第一类和第二类错误的后果。这些后果取决于您实验的科学背景。仅仅使用标准的α值和功效值，其实并没有多大意义。