标准方法

计算样本量时，许多科学家使用α和β的标准值。他们始终将α设置为0.05且将β设置为0.20（其允许80%的幂）。

标准方法的优点是其他人也这样做，且其不需要过多的思考。缺点是其未做好决定样本量的工作

为科学背景选择α和β

计算样本量时，您应根据试验环境以及犯I型或II型错误（）的后果来选择α和幂的值。

让我们考虑四个某些人为设计的示例。假设您正在运行一个筛选检验来检测您系统中的活性化合物。在此情况下，当药物实际无效时，I型错误的结论是药物是有效的。当药物实际有效时，II型错误的结论是该药物是无效的。但犯I型或II型错误的后果取决于试验的背景。让我们考虑四种情况。

•A. 从一个巨大的化合物库中筛选药物，没有选择药物的生物学原理。您知道，一些“命中”将是假阳性（I型错误），因此计划在另一个试验中检验所有那些“命中”。因此I型错误的结果是您需要重新检验该化合物。您不想重新检验过多的化合物，因此不能使α变大。但将其设置为一个相当高的高位值可能有意义，也许是0.10。您得出结论是，一种药物无统计学显著性效果，而事实上该药物有效，则会出现II型错误。但在此情况下，您还有几十万种药物待检验，且您不可能全部检验。通过选择较低的幂值（如60%），您可使用较小的样本量。您知道您将缺失一些真正的药物，但您能够用同样的努力检验更多的药物。因此，在此情况下，您可证明将α设置为高位值是正确的。总结：低幂，高α。

•B. 选择科学逻辑筛选所选定的药物。I型错误的后果和以往一样，因此您可证明将α设置为0.10是正确的。但II型错误的后果在此更严重。您谨慎地选择了这些化合物，因此II型错误意味着一种可能会被忽略的伟大药物。在此情况下，您需要将幂设置为高位值。总结：高幂，高α。

•C. 仔细检验所选定的药物，没有机会进行第二轮检验。声称这些化合物可能不稳定，因此您只能在一个试验中使用它们。该试验的结果--命中和未命中的列表 - 将用于建立一个结构 - 活性关系，然后其将用于提出一个新的化合物列表以供化学家合成。这将是一项既昂贵又耗时的任务，因此很多事情均取决于该试验，而该试验不会轻易重复。在此情况下，I型和II型错误的后果均非常糟糕，因此您将α设置为一个小值（例如，0.01），将幂设置为一个大值（可能是99%）。选择这些值意味着您将需要一个更大的样本量，但在此付出的代价是值得的。总结：高幂，低α。

•D. 重新考虑场景C。场景C所需的样本量可能过高而不可行。您根本无法运行那么多的重复数。在与您的同事们交谈后，您决定犯I型错误（错误地认为这一种药物是有效的）的后果比犯II型错误（缺失一种真正的药物）要严重得多。一次错误的打击可能会对您的构效关系研究产生巨大影响，并导致化学家合成错误的化合物。错误地将一种药物称为无效药物将会产生不太严重的后果。因此，您选择了一个较低的α值和一个较低的幂。总结：低幂，低α。

最后一行

这些场景均由人设计而成，我当然不能告诉任何人如何设计他们的努力以筛选药物。但这些场景指出，在仔细考虑犯I型和II型错误的后果之后，您应选择α和幂的值。这些后果取决于您试验的科学背景。仅仅使用α和幂的标准值是没有意义的。