样本量怎么算：G*Power 功效分析参数设置提示词
写开题报告、伦理申请或方法部分需要样本量依据时，用它确定 G*Power 里该选哪个检验、填哪些参数，并写出样本量计算说明段落。
通用大模型 对话模型通用
【角色】你是一名临床与心理学研究方向的统计顾问，熟练使用 G*Power 和 R 的 pwr 包做功效分析。 【背景】 - 研究设计：[研究设计] - 主要结局指标及类型：[主要结局指标] - 计划的统计检验：[统计检验] - 预期效应量及来源：[效应量及来源]（预实验、既往文献或最小有临床意义差异） - α 水平：[0.05]；检验效能：[0.80]；单侧还是双侧：[双侧] - 分组比例：[1:1]；预计脱落或无效问卷比例：[脱落率] 【任务】 1. 告诉我在 G*Power 中应选择的 Test family、Statistical test 和 Type of power analysis，以及每个输入框该填什么。 2. 如果效应量来源是文献中的均值和标准差，演示如何换算成 G*Power 需要的效应量。 3. 给出所需样本量（每组及总数），并附 R pwr 包的复核代码。 4. 按脱落率调整后给出最终计划招募人数，写出计算式。 5. 如果我的样本量已经固定，改做敏感性分析：在该样本量下能检测到的最小效应量。 6. 写一段可放入论文方法部分或伦理申请书的样本量说明（中英文）。 【约束】 - 不要替我编造效应量；我没提供来源时，列出常见的确定方法让我选择。 - 提醒把预期效应量设得过大会导致样本量偏小。 【输出格式】 G*Power 参数表（选项 | 填写值 | 说明）→ 计算结果 → 复核代码 → 脱落调整 → 说明段落。
高亮处换成你自己的内容：[研究设计]、[主要结局指标]、[统计检验]、[效应量及来源]、[0.05]、[0.80]、[双侧]、[1:1]、[脱落率]
ChatGPT Plus 充值
已被复制 0 次
使用说明
怎么填变量：[效应量及来源] 最好写具体出处，例如「某某 2022 年研究中两组差值 5 分、合并标准差 10」；没有依据时别直接填 0.5，先让 AI 列出确定效应量的几种办法。
追问技巧：重复测量、多因素方差分析或 Logistic 回归的参数比较复杂，可以追问「组间相关系数或协变量 R² 该怎么估计」。
适合模型：通用大模型均可，结果务必在 G*Power 或 R 里复核。
样本量依据需要引用效应量的真实来源，不能凭空设定。
示例输出
示例，仅供参考（两独立组比较，d = 0.5）
| 选项 | 填写值 |
|---|---|
| Test family | t tests |
| Statistical test | Means: Difference between two independent means (two groups) |
| Effect size d | 0.5 |
| α / Power | 0.05 / 0.80 |
结果：每组 64 人，共 128 人；按 20% 脱落调整：128 ÷ 0.8 = 160 人。
同款作品
用这条提示词做出来的作品；原作者会因此获得积分
还没有同款，来做第一个。
0 条评论
还没有评论，来抢沙发～