标准方法

在计算样本量时，许多科学家会采用α和β的标准值。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，其他人也都这么做，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发生Ⅰ类或Ⅱ类错误的后果，选择相应的α值和功效值（）。

让我们考虑四个略显牵强的例子。假设您正在进行一项筛选试验，以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为一种药物有效，而实际上它并不有效。 Ⅱ类错误是指将实际上有效的药物错误地判定为无效。但犯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”进行验证。 因此，Ⅰ类错误的后果是需要对该化合物进行重新测试。由于不希望重新测试过多的化合物，因此不能将α值设得过高。 但将α设为一个相对较高的值（例如0.10）或许是合理的。当您错误地认为某种药物没有统计学显著效果，而实际上该药物是有效的时，就会发生Ⅱ类错误。但在这种情况下，您还有数十万种药物需要测试，而您根本不可能全部测试。 通过选择较低的功效（例如60%），您可以使用较小的样本量。虽然您知道会遗漏一些真正有效的药物，但以同样的投入可以测试更多的药物。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. 对依据科学逻辑筛选出的候选药物进行筛选。Ⅰ类错误的后果与前文相同，因此您可以将α值设定为0.10。但在此情境下，Ⅱ类错误的后果更为严重。 您已经过慎重筛选才选定这些化合物，因此Ⅱ类错误意味着可能遗漏一种极佳的药物。在此情境下，您应将功效设定为较高值。总结：高功效，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。本次实验的结果——即有效化合物与无效化合物的清单——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，因此该实验承担着重大责任，且难以重复。 在这种情况下，无论是Ⅰ类错误还是Ⅱ类错误的后果都相当严重，因此应将α值设为较小（例如0.01），并将功效设为较大（例如99%）。 选择这些数值意味着您需要更大的样本量，但在此情况下，这一代价是值得的。总结：高功效，低α值。

•D. 重新考虑情景C。情景C所需的样本量可能过高，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，您认为犯第一类错误（错误地认为某种药物有效）的后果，远比犯第二类错误（漏检出真正有效的药物）要严重得多。 一次误判可能会对您的结构活性研究产生巨大影响，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，其后果则不那么严重。因此，您选择较低的α值和较低的功效。总结：低功效，低α值。

结论

这些情景是人为设想的，当然，唯一有权决定如何设计药物筛选方案的人，正是进行筛选的研究人员。 但这些情景说明了一个要点：在选择α值和功效时，应仔细权衡犯I类和II类错误的后果。这些后果依赖于实验的科学背景。仅仅采用α和功效的标准值其实并不合理。