在前面文章在介绍了“医学研究之单样本定性资料样本量计算——等效性检验”。本篇文章讲解单样本比例的优效性检验 (Superiority by a Margin Tests for One Proportion)，与单样本比例的等效性检验一样，在单样本比例的优效性检验中，π表示二项试验中成功的实际概率，即实际工作中常见的治愈率、有效率和生存率。πB表示基线比例，为当前或标准方法的成功率。单样本比例的优效性检验需要设定优效性割点πS，其可以根据优效性比例，也可以根据优效性差值、优效性比值、优效性优势比来计算。本文将讲述较为常见的已知优效性比例的单样本比例优效性检验样本量计算过程及注意事项。
一、案例数据
已知某药物A治疗糖尿病的有效率为46.30%，某制药公司对该药进行了改良，声称其有效率可显著提高。临床上认为有效率是当前疗效的1.30倍时，可认为改进的药物优于当前药物，即优效性比例πS=60.19%。取α=0.05，β=0.20，试估计该研究所需样本量。
二、案例分析
欲探讨改进后药物是否优于当前药A，宜采用单样本比例的优效性检验样本量估算，需要以下几个参数：
- 优效性比值φ0，对于高优指标，φ0>1；对于低优指标，φ0<1。πB*φ0必须介于0~1之间。
- 标准(当前) 处理的有效率，本例πB= 0.463。
- 检验水准α (通常取0.01至0.1，本例取0.05)。
- 检验功效1-β (通常为0.80或更高，本研究取0.80)。
- 脱失率DR (通常不宜超过20%，本例取10%)。
三、软件操作
(一) 方法选择
在左侧界面中依次选择“Procedures (程序)”—“Proportions (比例)”—“One Proportion (单样本比例)”—“Superiority by a Margin Tests (优效检验)”见图1。
(二) 参数设置
在“Design (设置)”模块中按以下参数设置相应选项(图2)：
- Solve For: 选择“Sample Size”，表示本分析的目的是用于计算样本量。
- Power Calculation:“Power Calculation Method”，表示样本量计算方法，本例选择“Normal Approximation”正态近似法。
- Test：“Higher Proportion are”指定成功或失败的比例，本例填写“Better”表示成功概率，又称高优指标；“Test Type”表示检验类型，本例选择“Z-test using S (P0)”。
- Power and Alpha: Power为把握度，填写“0.80”；Alpha为检验水准，填写“0.05”。
- Input Type: 表示输入数据的类型，本例中选择“Ratios”，表示实验组与对照组有效率的比值。
- PB (Baseline Proportion): 输入基线比例πB。本例填“0.463”。
- r0 (Superiority Ratio): 优效性比值j0，对于高优指标j0>1，本例填写“1.30”。
- r1(Actual Ratio): 设定实际比例π与基线比例πB的比值j1，对于高优指标j1>j0；j1必须足够小以使π介于0~1之间。本例填“1.5”。
(三) 脱失率设置
在“Reports (结果报告)”模块中，勾选“Show Dropout-Inflated Sample Size Report (报告脱失样本量)”，在“Dropout Rate”中填写“10%”(图3)，表示按照10%的脱失率计算样本量。设置好上述参数后点击“Calculate (计算)”。
四、结果及解释
图4列出了该研究设计的相关参数和样本量计算结果，可知计算的样本例数为166。
图5“References (参考文献)”列出了该计算过程中参考的相关文献；“Report Definitions (报告定义)”列出了各个参数的具体解释；“Summary Statements (报告概述)”为整个分析报告的摘要。
图6“Dropout-Inflated Sample Size (脱失样本量)”为考虑了脱失率的样本量(N')，也是研究实际开展过程中需要达到的最低样本量，本研究中为185。
图7为此次样本量估算整个过程的详细参数设置汇总。
五、结论
该案例为单样本比例的优效性检验的样本含量计算，常用于单组设计的二分类结局资料的优效性试验。已知基线比例πB为0.463，优效性比值j0为1.30。若取检验水准0.05、检验功效0.80，则至少需要166例样本才能观察到改良药效果优于当前药物A。若考虑10%的脱失率，则至少需要185例研究对象。