200. Jak opisać analizę mocy w pracy naukowej?
Dowiedz się, jak poprawnie opisać analizę mocy i uzasadnienie wielkości próby w artykule naukowym, pracy dyplomowej lub protokole badania.
-
-
199. Minimalnie istotna klinicznie różnica a wielkość próby
Minimalnie istotna klinicznie różnica pomaga określić, jaki efekt badanie powinno wykryć i jak liczna musi być próba, aby wynik był użyteczny klinicznie.
-
198. Post hoc power – dlaczego bywa źle używana?
Post hoc power nie naprawia niedostatecznej próby ani nie wyjaśnia wyniku nieistotnego statystycznie. Sprawdź, jak interpretować ją poprawnie.
-
197. Poprawka na przewidywane braki danych i utratę uczestników
Jak zwiększyć planowaną liczebność próby, aby przewidywane braki danych i utrata uczestników nie obniżyły mocy badania? Wzory, przykłady i najczęstsze błędy.
-
196. Wielkość próby w analizie przeżycia – znaczenie liczby zdarzeń
W analizie przeżycia o mocy badania często decyduje nie sama liczba uczestników, lecz liczba zaobserwowanych zdarzeń. Lekcja wyjaśnia, jak planować próbę dla testu log-rank i modelu Coxa.
-
195. Wielkość próby dla czułości i swoistości
Jak zaplanować liczbę osób w badaniu testu diagnostycznego, aby precyzyjnie oszacować czułość i swoistość? Wyjaśniamy wzory, założenia i przykłady.
-
194. Wielkość próby w badaniu diagnostycznym
W badaniu diagnostycznym liczebność próby planuje się inaczej niż w klasycznym porównaniu średnich. Kluczowe są czułość, swoistość, precyzja oszacowań, częstość choroby oraz liczba przypadków i osób bez choroby.
-
193. Wielkość próby dla regresji logistycznej – dlaczego reguły typu 10 zdarzeń nie zawsze wystarczają?
Reguła 10 zdarzeń na parametr jest użyteczną heurystyką, ale nie zastępuje analizy częstości wyniku, liczby parametrów, celu badania i oczekiwanej precyzji.
-
192. Wielkość próby dla regresji liniowej – podstawy
Jak zaplanować liczebność próby do regresji liniowej? Lekcja wyjaśnia predyktory, wielkość efektu f², moc, poziom alfa i praktyczne użycie G*Power.
-
191. Wielkość próby dla korelacji
Jak zaplanować liczbę uczestników do badania korelacji Pearsona lub Spearmana? Lekcja wyjaśnia założenia, wzory, moc i praktyczne przykłady.
-
190. Obliczanie próby dla porównania dwóch proporcji
Jak zaplanować liczebność próby, gdy celem jest porównanie dwóch niezależnych proporcji? Lekcja wyjaśnia wzór, założenia, przykłady i typowe błędy.
-
189. Obliczanie próby dla jednej proporcji
Jak zaplanować liczebność próby, gdy głównym wynikiem jest jedna proporcja? Lekcja wyjaśnia wzór, dobór parametrów i praktyczne przykłady.
-
188. Obliczanie próby dla dwóch pomiarów zależnych
Jak obliczyć liczbę uczestników dla badania z pomiarem przed i po? Lekcja wyjaśnia wzór, założenia, wpływ korelacji, utratę danych i praktyczne przykłady.
-
187. Obliczanie próby dla dwóch średnich niezależnych
Jak obliczyć liczebność próby dla porównania dwóch niezależnych średnich? Lekcja wyjaśnia wzór, założenia, moc, wielkość efektu i korektę na wykruszanie.
-
186. Obliczanie próby dla jednej średniej
Jak obliczyć liczebność próby, gdy głównym wynikiem jest jedna średnia? Lekcja wyjaśnia wzory, założenia, moc, precyzję i korektę na utratę danych.
-
185. Jak wybrać oczekiwaną wielkość efektu do power analysis?
Oczekiwana wielkość efektu w power analysis powinna wynikać z sensu klinicznego, społecznego lub teoretycznego badania, a nie z arbitralnej reguły „mały–średni–duży”.
-
184. Wielkość efektu jako podstawa planowania próby
Wielkość efektu określa, jak dużą różnicę lub zależność badacz chce wykryć. Lekcja wyjaśnia, jak wykorzystać ją do planowania próby i mocy badania.
-
183. Błąd I i II rodzaju a wielkość próby
Jak poziom alfa, błąd beta i moc statystyczna wpływają na planowanie wielkości próby? Lekcja wyjaśnia zależności na przykładach medycznych i społecznych.
-
182. Moc statystyczna – intuicyjne wyjaśnienie
Moc statystyczna określa, jak duża jest szansa wykrycia rzeczywistego efektu. Lekcja wyjaśnia ją intuicyjnie, akademicko i na przykładach medycznych.
-
181. Po co obliczać wielkość próby przed badaniem?
Wielkość próby nie jest formalnością. Decyduje o tym, czy badanie będzie wykonalne, etyczne i zdolne wykryć efekt ważny dla praktyki.