Bốn yếu tố cốt lõi
Cỡ mẫu phụ thuộc vào 4 yếu tố, tất cả đều do nhà nghiên cứu quyết định (hoặc ước lượng từ y văn):
| Yếu tố | Ký hiệu | Ý nghĩa | Giá trị thường dùng | Ảnh hưởng đến n |
|---|---|---|---|---|
| Sai lầm Loại I | α (alpha) | Xác suất kết luận có khác biệt khi thực sự không có (dương tính giả) | 0.05 (5%) | α ↓ → n ↑ |
| Sai lầm Loại II | β (beta) | Xác suất kết luận không có khác biệt khi thực sự có (âm tính giả) | 0.20 (20%) | β ↓ → n ↑ |
| Power | 1 − β | Khả năng phát hiện khác biệt nếu nó thực sự tồn tại | 0.80 (80%) | Power ↑ → n ↑ |
| Effect size | δ (delta) | Độ lớn khác biệt tối thiểu có ý nghĩa lâm sàng | Phụ thuộc vào bệnh | δ ↓ → n ↑ |
| Độ lệch chuẩn | σ / SD | Độ biến thiên của outcome trong quần thể | Ước lượng từ pilot / y văn | σ ↑ → n ↑ |
Trade-off cơ bản
Không thể cùng lúc tối ưu hóa tất cả. Muốn α nhỏ, power cao, phát hiện khác biệt nhỏ — cần cỡ mẫu rất lớn. Nhà nghiên cứu phải cân bằng giữa "lý tưởng thống kê" và "khả thi thực tế".
🔍 Minh họa trade-off
Giả sử δ = 5 mmHg, σ = 15, α = 0.05:
- Power 0.80 → n ≈ 142/nhóm
- Power 0.90 → n ≈ 190/nhóm (↑ 34%)
- Power 0.95 → n ≈ 235/nhóm (↑ 65%)
Nếu δ = 3 mmHg (khác biệt nhỏ hơn), power 0.80: n ≈ 394/nhóm — gấp 2.8 lần!
Bài học: Effect size càng nhỏ, cỡ mẫu càng tăng theo bình phương (n ∝ 1/δ²).
Công thức cho các thiết kế khác nhau
| Thiết kế | Công thức cỡ mẫu | Ghi chú |
|---|---|---|
| So sánh 2 trung bình (t-test) | n = 2 × (Zα/2 + Zβ)² × σ² / δ² | n = số BN mỗi nhóm |
| So sánh 2 tỷ lệ (χ² test) | n = (Zα/2 + Zβ)² × [p₁(1−p₁) + p₂(1−p₂)] / (p₁−p₂)² | p₁, p₂ = tỷ lệ kỳ vọng 2 nhóm |
| Tương quan (Pearson r) | n = [(Zα/2 + Zβ) / Zr]² + 3 | Zr = Fisher's z-transform |
| Phân tích sống còn (Log-rank) | n = (Zα/2 + Zβ)² × (k+1) / [k × (ln HR)² × (1−π)] | k = tỷ lệ nhóm, π = tỷ lệ kiện |
Công thức so sánh 2 trung bình (t-test):
n = 2 × (Zα/2 + Zβ)² × σ² / δ²
⚠️ Sai lầm thường gặp
"Cứ lấy cỡ mẫu bằng nghiên cứu tương tự là được." Sai! Mỗi nghiên cứu có quần thể, outcome, và effect size kỳ vọng khác nhau. Cỡ mẫu phải tính dựa trên thiết kế cụ thể của bạn. Việc sao chép cỡ mẫu từ nghiên cứu khác không đảm bảo đủ power cho nghiên cứu của bạn.
"Phần mềm tự động tính, tôi không cần hiểu." Sai! Phần mềm (G*Power, PASS, Stata, R) chỉ là công cụ — bạn phải nhập đúng tham số. Nếu bạn không hiểu α, β, effect size là gì, bạn sẽ nhập sai và nhận kết quả sai.
