如果事先声明，可以动态增加样本数量吗？

我将研究一种刺激与受试者内部设计相比另一种刺激的优点。我有一个排列方案，旨在减少研究某些部分的顺序影响（任务类型顺序，刺激顺序，任务集顺序）。排列方案规定样本大小可被8整除。

要确定样本数量，我必须大胆猜测（在我的领域中是一个很好的传统），或者为我所需的功效计算样本数量。现在的问题是，我没有丝毫线索要观察多大的效果（这也是我所在领域的良好传统）。这意味着功率计算有些困难。另一方面，大胆猜测可能也是不好的，因为我要么得出的样本量太小，要么向参与者支付太多的钱，而在实验室中花费了太多的时间。

是否可以预先声明我分8个人加入参与者，直到我离开两个p值的通道？例如0.05 <p <0.30？或者，您会建议我如何继续？

首先，直接回答您的问题：不，您不能继续前进直到获得显着的p值。您建议的设计具有5％以上的I型错误率。但是，基本思想是正确的，除非您必须调整截止值。实际上，正如@cardinal在评论中提到的那样，您有一个需要研究的整个领域：这些被称为顺序设计或组顺序设计，或更笼统地说是自适应设计（它们不是相同的东西，但始终都是这样）。您的想法行）。

这里是一个参考，展示了一些基本思想：C. Mehta，P. Gao，DL Bhatt，RA Harrington，S. Skerjanec，JH Ware Optimizing Trial Design：Sequential，Adaptive和Enrichment Strategies Circulation。2009年；119：597-605

您是否考虑过考虑各种效果大小的力量？例如，我经常以曲线的形式计算功效，最后得出无数种潜在的情况，将其烘焙到图中，然后我可以做出样本量决策。例如，我可能会计算效果度量所需的样本数量，范围从非常接近零到略高于我最疯狂的通过同行评审的梦想。

我可能还积其他情况下，这取决于我有多少不知道的数据。例如，下面是一个计算功效而不是样本大小的图，但概念与此相似。我对数据了解甚少，因此我假设生存分析的事件发生率为10％，然后在多种条件下计算了研究的功效（样本大小固定）：

在这种情况下，一个人甚至还可以改变事件的数量，这将使您留下多个绘图或一个“ Power Surface”。这似乎是一种快速处理方法，至少可以在需要查找样本量的地方进行处理，而不是即时修改样本量。或者至少给您一个可以停止增加人员的门槛。例如，如果您的计算结果告诉您1,000个人，那么您会看到很小的影响-例如，危险比为1.01或类似的数字-您知道，如果达到此目标，您就可以停止尝试增加人员，因为它不是电源问题，而是“那里什么也没有”的问题。

在进行功率计算时，我通常会问的一个问题（在我的领域中，也有这些传统）往往是“人们需要照顾多少影响？”。如果您的方法“显着”好于0.1％，那么有人会在乎吗？0.01％的改善如何？