power analysis คือ: คำนวณขนาดตัวอย่างสำหรับโครงร่างและ IRB

power analysis คือการคำนวณล่วงหน้าว่าต้องมีผู้เข้าร่วมวิจัยกี่คน จึงจะมีโอกาสสูง (โดยทั่วไปตั้งไว้ 80% ขึ้นไป) ที่จะตรวจพบความแตกต่างที่มีความหมายจริงหากความแตกต่างนั้นมีอยู่ และเป็นเหตุผลรองรับขนาดตัวอย่างที่คณะกรรมการจริยธรรมการวิจัยมักขอให้เขียนไว้ในโครงร่าง

power analysis คือ อะไร และทำไมโครงร่างวิจัยต้องมี

กำลังการทดสอบ (statistical power) คือความน่าจะเป็นที่การทดสอบทางสถิติจะให้ผลมีนัยสำคัญ เมื่อความแตกต่างที่แท้จริงในประชากรเท่ากับค่าที่ผู้วิจัยสมมติไว้ ถ้าตั้ง power ที่ 80% หมายความว่า หากทำการศึกษาแบบเดียวกันซ้ำ 100 ครั้ง และความแตกต่างจริงเท่ากับที่สมมติ จะตรวจพบนัยสำคัญประมาณ 80 ครั้ง ส่วนอีก 20 ครั้งจะพลาด (Type II error) การทำ power analysis ก่อนเก็บข้อมูลจึงเป็นการตอบคำถามว่า “ต้องเก็บกี่คนจึงจะไม่เสียเปล่า”

เหตุผลที่คณะกรรมการจริยธรรมให้ความสำคัญไม่ได้มีแค่ด้านสถิติ แนวทาง DELTA2 ที่ตีพิมพ์ใน BMJ ระบุว่า การรับผู้เข้าร่วมให้ได้จำนวนที่เหมาะสมเป็นข้อกำหนดทางจริยธรรม เพื่อไม่ให้ภาระของการวิจัยตกอยู่กับผู้ป่วยมากกว่าที่จำเป็น (Cook et al., 2018) ถ้าเก็บน้อยเกินไป การศึกษามีโอกาสพลาดผลที่มีอยู่จริงและผู้เข้าร่วมก็เสียสละโดยไม่ได้คำตอบ ถ้าเก็บมากเกินไป ก็เป็นการเปิดรับความเสี่ยงและเวลาของผู้เข้าร่วมเกินกว่าที่จำเป็น รายการตรวจสอบโครงร่างของงานวิจัยเชิงทดลอง SPIRIT 2025 จึงมีรายการ “Sample size” (รายการที่ 19) ที่ขอให้ระบุว่าขนาดตัวอย่างถูกกำหนดอย่างไร รวมถึงสมมติฐานทั้งหมดที่รองรับการคำนวณ (Chan et al., 2025)

ข้อควรจำคือ ตัวเลขขนาดตัวอย่างไม่ได้ “ถูกต้องสมบูรณ์” เพียงเพราะคำนวณด้วยโปรแกรม Schulz และ Grimes (2005) ชี้ว่า การเลือกขนาดผลที่ต้องการตรวจจับเป็นการตัดสินใจทางคลินิกที่มีความเป็นอัตวิสัยโดยธรรมชาติ และการตัดสินใจนั้นส่งผลต่อขนาดตัวอย่างอย่างมาก ดังนั้นสิ่งที่ IRB และผู้ทบทวนต้องการเห็นจึงไม่ใช่ตัวเลขเดี่ยว ๆ แต่เป็นสมมติฐานแต่ละตัวพร้อมที่มาที่ตรวจสอบได้

บทความนี้เน้นมุมมองของ โครงร่างวิจัยและการขอรับรองจริยธรรม สำหรับการคำนวณด้วยสูตรเฉพาะแบบสำรวจ ดูที่ สูตร Taro Yamane และ ตาราง Krejcie and Morgan ส่วนการเลือกระหว่างวิธีต่าง ๆ อยู่ใน บทความเปรียบเทียบวิธีกำหนดขนาดกลุ่มตัวอย่าง และการใช้โปรแกรมอยู่ใน คู่มือ G*Power ที่นี่เราจะไม่ซ้ำเนื้อหาเหล่านั้น

สี่ปัจจัยของการคำนวณ: alpha, power, effect size และความแปรปรวน

การคำนวณขนาดตัวอย่างสำหรับการทดสอบสมมติฐานต้องการข้อมูลนำเข้าหลักสี่ส่วน ถ้าขาดส่วนใดส่วนหนึ่งหรือกำหนดโดยไม่มีที่มา ตัวเลขที่ได้จะอธิบายต่อกรรมการไม่ได้

• ระดับนัยสำคัญ (alpha, Type I error) โดยทั่วไปตั้งที่ 0.05 และควรระบุให้ชัดว่าทดสอบสองทางหรือทางเดียว แบบฟอร์มโครงร่างงานที่ไม่ใช่การทดลองของคณะแพทยศาสตร์โรงพยาบาลรามาธิบดี (REC-MURA.07) กำหนดให้ผู้วิจัยระบุทั้งระดับนัยสำคัญและการทดสอบแบบสองทางหรือทางเดียว
• กำลังการทดสอบ (power = 1 − beta) นิยมตั้งที่ 80% บางโครงการที่ผลลัพธ์สำคัญมากตั้งที่ 90% ซึ่งทำให้ต้องใช้ตัวอย่างเพิ่ม (ในตัวอย่าง A ด้านล่าง เพิ่มจาก 64 เป็น 86 คนต่อกลุ่ม)
• ขนาดผล (effect size) คือความแตกต่างที่ “ต้องการตรวจจับ” ซึ่งอาจเป็นผลต่างของค่าเฉลี่ย (หน่วยเดิม เช่น mmHg) หรือค่ามาตรฐาน เช่น Cohen’s d หรือความต่างของสัดส่วน ปัจจัยนี้มีอิทธิพลสูงสุด เพราะขนาดตัวอย่างแปรผกผันกับกำลังสองของขนาดผล
• ความแปรปรวนหรืออัตราเหตุการณ์ ถ้าผลลัพธ์เป็นตัวแปรต่อเนื่องต้องใช้ส่วนเบี่ยงเบนมาตรฐาน (SD) ถ้าเป็นตัวแปรสองค่าต้องใช้สัดส่วนหรืออัตราเหตุการณ์ในกลุ่มควบคุมเป็นฐาน ทั้งสองค่านี้ต้องมีที่มา เช่น งานตีพิมพ์ ข้อมูลโรงพยาบาลหรือหน่วยงานของตนเอง หรืองานนำร่อง

นอกจากสี่ตัวนี้ ยังต้องปรับตัวเลขตามความเป็นจริงของการเก็บข้อมูล ได้แก่ อัตราสูญหายหรือถอนตัว (dropout) ผลของการเก็บแบบกลุ่ม (cluster) การทดสอบหลายครั้ง และข้อกำหนดของ design เช่น crossover หรือ non-inferiority ซึ่งแต่ละแบบใช้สูตรต่างกัน

ลองดูความไวของตัวเลขต่อขนาดผล ในการทดสอบ t-test สองกลุ่มที่ alpha = 0.05 และ power = 0.80 ถ้า d = 0.5 ต้องใช้ 64 คนต่อกลุ่ม แต่ถ้า d ลดเหลือ 0.3 (ผลเล็กลงเพียงเล็กน้อย) จะต้องใช้ 176 คนต่อกลุ่ม ซึ่งมากขึ้นเกือบสามเท่า นี่คือเหตุผลที่การให้เหตุผลเรื่องขนาดผลเป็นหัวใจของย่อหน้า sample size

ที่มาของ effect size: งานนำร่อง วรรณกรรม และผลต่างที่มีความหมายทางคลินิก

DELTA2 เสนอว่าค่าผลต่างเป้าหมาย (target difference) ควรเป็นค่าที่ผู้มีส่วนได้ส่วนเสียหลักเห็นว่าสมเหตุสมผลหรือสำคัญ (Cook et al., 2018) ในทางปฏิบัติมีแหล่งที่มาที่ใช้ได้สี่ทาง เรียงตามความน่าเชื่อถือในการอธิบายต่อกรรมการ

1) ผลต่างที่มีความหมายทางคลินิกขั้นต่ำ (MCID)

MCID คือการเปลี่ยนแปลงขนาดเล็กที่สุดที่ผู้ป่วยหรือแพทย์ถือว่ามีความหมาย วิธีหนึ่งที่มีการอ้างอิงมากคือการเทียบคะแนนแบบสอบถามกับการประเมินการเปลี่ยนแปลงโดยรวม ซึ่ง Jaeschke และคณะ (1989) พบในสามการศึกษาที่ใช้แบบวัดอาการหายใจลำบาก ความเหนื่อยล้า และอารมณ์ว่า MCID อยู่ที่ประมาณ 0.5 คะแนนต่อข้อ เมื่อให้ตอบแบบ Likert 7 ระดับ ถ้าเครื่องมือที่ใช้มีค่า MCID ที่ตีพิมพ์แล้ว ให้ใช้ค่านั้นเป็นผลต่างเป้าหมาย เพราะตอบได้ง่ายที่สุดว่า “ทำไมจึงต้องตรวจจับความแตกต่างขนาดนี้”

2) ผลจากวรรณกรรมหรือการวิเคราะห์อภิมาน

ใช้ขนาดผลและ SD จากงานที่ประชากร ผลลัพธ์ และวิธีวัดใกล้เคียงกับงานของคุณมากที่สุด และระบุอ้างอิงให้ครบ แบบฟอร์มสำหรับการทดลองยาของรามาธิบดีระบุชัดว่าต้องมี “วิธีและเอกสารอ้างอิงของข้อมูลที่ใช้คำนวณขนาดตัวอย่าง” (Faculty of Medicine Ramathibodi Hospital, 2026) หากอ้างจากงานเดียว ควรแสดงการวิเคราะห์ความไว (sensitivity analysis) ว่าถ้าผลจริงเล็กกว่านั้น กำลังการทดสอบจะเหลือเท่าใด

3) งานนำร่อง (pilot study)

งานนำร่องมีประโยชน์ต่อการประเมินความเป็นไปได้ อัตราการรับสมัคร และการประมาณ SD แต่ Kraemer และคณะ (2006) เตือนว่าการใช้ผลของงานนำร่องเพื่อกำหนดการคำนวณ power มีแนวโน้มทำให้งานที่ควรทำถูกยกเลิก หรือไม่ก็ได้การศึกษาที่ power ต่ำกว่าที่ตั้งใจ โดยผู้เขียนไม่ได้คัดค้านการทำ pilot แต่เตือนเฉพาะการนำผลมากำหนด power ข้อสรุปเชิงปฏิบัติคือ ใช้ pilot ตอบเรื่องความเป็นไปได้ เช่น อัตราการรับสมัคร และอย่าใช้ขนาดผลที่สังเกตได้จาก pilot เป็นผลต่างเป้าหมายโดยตรง

4) ค่ามาตรฐานของ Cohen (ทางเลือกสุดท้าย)

Cohen (1992) เสนอค่าอ้างอิงของขนาดผลแบบเล็ก กลาง ใหญ่ (สำหรับ d คือ 0.2, 0.5 และ 0.8) ไว้สำหรับกรณีที่ไม่มีข้อมูลอื่นเลย การใช้ค่าเหล่านี้ลอย ๆ ไม่ใช่เหตุผลที่แข็งแรงใน IRB เพราะไม่ได้บอกว่าขนาดผลนั้นสำคัญต่อผู้ป่วยหรือกลุ่มเป้าหมายอย่างไร Lakens (2022) สรุปวิธีให้เหตุผลขนาดตัวอย่างไว้หกแนวทาง ได้แก่ เก็บจากประชากรเกือบทั้งหมด ใช้ตามข้อจำกัดของทรัพยากร คำนวณ power ล่วงหน้า วางแผนตามความแม่นยำที่ต้องการ ใช้กฎเกณฑ์ประมาณ หรือยอมรับว่าไม่มีเหตุผลรองรับ และเน้นว่าคำถามสำคัญคือ “ขนาดผลที่น่าสนใจน้อยที่สุดคือเท่าใด”

ตัวอย่างคำนวณใน R: t-test สองกลุ่ม และสัดส่วนสองกลุ่ม

ตัวอย่างด้านล่างใช้ตัวเลขสมมติเพื่อสาธิตขั้นตอนเท่านั้น ไม่ได้มาจากงานวิจัยจริง ผู้วิจัยต้องแทนด้วยค่าและที่มาของโครงการตนเอง โค้ดทั้งหมดรันด้วย R 4.3.3 และแพ็กเกจ pwr 1.3.0 (Champely)

ตัวอย่าง A: เปรียบเทียบค่าเฉลี่ยสองกลุ่ม (ผลลัพธ์ต่อเนื่อง)

สมมติว่าโปรแกรมปรับพฤติกรรมคาดว่าจะลดความดันซิสโตลิกได้มากกว่าการดูแลตามปกติ 6 mmHg โดย SD ของความดันซิสโตลิกเท่ากับ 12 mmHg จากข้อมูลอ้างอิง (สมมติ) จะได้ d = 6 / 12 = 0.5 กำหนด alpha = 0.05 สองทาง และ power = 0.80

library(pwr)
# ตัวอย่าง A (ตัวเลขสมมติ): ต้องการตรวจจับผลต่างความดันซิสโตลิก 6 mmHg, SD = 12 mmHg -> d = 6/12 = 0.5
pwr.t.test(d = 0.5, sig.level = 0.05, power = 0.80,
           type = "two.sample", alternative = "two.sided")
#   n = 63.76561   (จำนวนต่อกลุ่ม) -> ปัดขึ้นเป็น 64 คนต่อกลุ่ม
# ตรวจซ้ำด้วย base R
power.t.test(delta = 6, sd = 12, sig.level = 0.05, power = 0.80)
#   n = 63.76576
# ปรับตามอัตราสูญหาย 15%: 64 / (1 - 0.15) = 75.3 -> 76 คนต่อกลุ่ม (รวม 152 คน)

ผลคือ 63.77 คนต่อกลุ่ม ปัดขึ้นเป็น 64 คนต่อกลุ่ม (รวม 128 คน) ค่าจาก pwr และ base R ตรงกัน เมื่อคาดว่าสูญหาย 15% ให้หารด้วย (1 − 0.15) ได้ 76 คนต่อกลุ่ม รวม 152 คน ตัวเลขที่ต้องเขียนในโครงร่างคือจำนวนที่ปรับแล้ว พร้อมระบุว่าจำนวนก่อนปรับคือเท่าใด

ตัวอย่าง B: เปรียบเทียบสัดส่วนสองกลุ่ม (ผลลัพธ์แบบสองค่า)

สมมติว่าอัตราเหตุการณ์ไม่พึงประสงค์ในกลุ่มควบคุมอยู่ที่ 30% และคาดว่ามาตรการใหม่ลดเหลือ 15% (ลดลงสัมบูรณ์ 15 จุดเปอร์เซ็นต์) ใช้ alpha = 0.05 สองทาง และ power = 0.80

# ตัวอย่าง B (ตัวเลขสมมติ): เหตุการณ์เกิดซ้ำ 30% ในกลุ่มควบคุม เทียบกับ 15% ในกลุ่มทดลอง
power.prop.test(p1 = 0.30, p2 = 0.15, sig.level = 0.05, power = 0.80)
#   n = 120.4719   (ต่อกลุ่ม) -> 121 คนต่อกลุ่ม
pwr.2p.test(h = ES.h(0.30, 0.15), sig.level = 0.05, power = 0.80)
#   h = 0.3638807, n = 118.5547 -> 119 คนต่อกลุ่ม (ใช้การประมาณแบบ arcsine จึงต่างเล็กน้อย)
# ปรับตามอัตราสูญหาย 10%: 121 / 0.90 = 134.4 -> 135 คนต่อกลุ่ม (รวม 270 คน)

ฟังก์ชัน power.prop.test ให้ 121 คนต่อกลุ่ม ส่วน pwr.2p.test ที่ใช้การแปลง arcsine ให้ 119 คน ความต่างเล็กน้อยมาจากวิธีประมาณที่ต่างกัน ในโครงร่างควรระบุฟังก์ชันและเวอร์ชันของโปรแกรมที่ใช้ และเลือกตัวเลขที่ระมัดระวังกว่า คือ 121 คนต่อกลุ่ม เมื่อคาดว่าสูญหาย 10% จะได้ 135 คนต่อกลุ่ม รวม 270 คน

วิเคราะห์ความไวและภาพ power curve

# วิเคราะห์ความไว: ถ้าผลต่างจริงเล็กกว่าที่สมมติ ใช้ n = 64 ต่อกลุ่มแล้ว power เหลือเท่าใด
pwr.t.test(n = 64, d = 0.4, sig.level = 0.05)$power   # 0.612
pwr.t.test(n = 64, d = 0.3, sig.level = 0.05)$power   # 0.391
# n ต่อกลุ่มที่ต้องใช้เมื่อ power = 0.80
sapply(c(0.3, 0.4, 0.5, 0.6, 0.8), function(d) ceiling(pwr.t.test(d = d, power = 0.80)$n))
# 176 100 64 45 26

ภาพที่ 1 แสดงว่า ที่ n = 64 ต่อกลุ่ม ถ้าผลจริงคือ d = 0.4 กำลังการทดสอบจะเหลือ 0.61 และถ้า d = 0.3 จะเหลือเพียง 0.39 กราฟช่วยให้กรรมการเห็นว่าตัวเลขที่เลือกเปราะบางเพียงใดต่อสมมติฐานเรื่องขนาดผล และเป็นเหตุผลที่ควรระบุขนาดผลที่ “เล็กที่สุดที่ยังสำคัญ” ไม่ใช่ขนาดผลที่หวังไว้อย่างมองโลกในแง่ดี

ข้อมูลที่ควรเตรียมก่อนส่งให้นักสถิติ

Hickey และคณะ (2018) ระบุว่า สำหรับการศึกษาง่าย ๆ ใช้สูตรมาตรฐานได้ แต่การศึกษาที่ซับซ้อนมักต้องใช้โปรแกรมเฉพาะและปรึกษานักสถิติชีวภาพ แบบฟอร์มของรามาธิบดีก็แนะนำให้ขอคำปรึกษานักสถิติในส่วนนี้ การส่งข้อมูลให้ครบตั้งแต่ครั้งแรกช่วยลดการสลับไปมาและทำให้ได้ตัวเลขที่ตรวจสอบย้อนได้ ควรเตรียมดังนี้

• คำถามวิจัยและ ผลลัพธ์หลักเพียงหนึ่งตัว พร้อมชนิดของตัวแปร (ต่อเนื่อง สองค่า เวลาถึงเหตุการณ์)
• รูปแบบการศึกษา เช่น เปรียบเทียบสองกลุ่มอิสระ ก่อน-หลังในกลุ่มเดียวกัน crossover แบบกลุ่ม (cluster) หรือ non-inferiority และสถิติที่วางแผนใช้วิเคราะห์
• ผลต่างเป้าหมายและเหตุผล (MCID งานตีพิมพ์ หรือข้อมูลของหน่วยงาน) พร้อมเอกสารอ้างอิง
• ค่า SD หรืออัตราเหตุการณ์ฐาน และที่มา
• alpha, power, ทดสอบทางเดียวหรือสองทาง
• อัตราสูญหายที่คาด และเหตุผล
• จำนวนผลลัพธ์รอง การเปรียบเทียบหลายครั้ง และแผนวิเคราะห์ระหว่างการศึกษา (ถ้ามี)
• ข้อจำกัดเชิงปฏิบัติ เช่น จำนวนผู้ป่วยที่มีต่อปี ระยะเวลาเก็บข้อมูล และงบประมาณ

สำหรับการศึกษาแบบ non-inferiority แบบฟอร์มของรามาธิบดีระบุว่าต้องคำนวณขนาดตัวอย่างจากขอบเขตความไม่ด้อยกว่าที่มีความหมายทางคลินิก (non-inferiority margin) ดังนั้นต้องกำหนดขอบเขตนี้และเหตุผลก่อนเริ่มคำนวณ

เขียนย่อหน้า sample size ในโครงร่างอย่างไร

ย่อหน้าที่ดีตอบได้ครบว่า ผลลัพธ์หลักคืออะไร ใช้การทดสอบอะไร สมมติฐานแต่ละตัวมาจากไหน คำนวณด้วยอะไร และปรับอย่างไร ตัวอย่างต่อไปนี้ใช้ตัวเลขสมมติจากตัวอย่าง A จึงต้องแทนด้วยข้อมูลจริงและอ้างอิงแหล่งที่มาของโครงการคุณเอง

ตัวอย่างภาษาไทย (ข้อมูลสมมติ)

ผลลัพธ์หลักคือค่าเฉลี่ยความดันโลหิตซิสโตลิกที่ 12 สัปดาห์ เปรียบเทียบระหว่างกลุ่มโปรแกรมและกลุ่มดูแลตามปกติด้วย independent t-test แบบสองทาง การคำนวณขนาดตัวอย่างกำหนดระดับนัยสำคัญ 0.05 และกำลังการทดสอบ 80% เพื่อตรวจจับผลต่าง 6 mmHg ซึ่งเป็นผลต่างขั้นต่ำที่มีความหมายทางคลินิก [อ้างอิง] โดยใช้ SD เท่ากับ 12 mmHg [อ้างอิง] ได้ขนาดตัวอย่าง 64 คนต่อกลุ่ม คำนวณด้วยฟังก์ชัน pwr.t.test ของแพ็กเกจ pwr (R 4.3.3) เมื่อคาดว่าสูญหายร้อยละ 15 จึงเพิ่มเป็น 76 คนต่อกลุ่ม รวม 152 คน

English version (illustrative values)

The primary outcome is systolic blood pressure at 12 weeks, compared between the programme and usual-care groups using a two-sided independent t-test. With a two-sided significance level of 0.05 and 80% power to detect a between-group difference of 6 mmHg (the minimal clinically important difference [reference]) and an SD of 12 mmHg [reference], 64 participants per group are required (calculated with pwr.t.test in the R package pwr). Allowing for 15% attrition, we will recruit 76 participants per group (152 in total).

สังเกตว่าย่อหน้ามี ตัวเลขทุกตัวที่ผู้ตรวจสามารถคำนวณซ้ำได้ และมีตำแหน่งสำหรับอ้างอิงของผลต่างและ SD ถ้าใช้ขนาดตัวอย่างที่ถูกจำกัดด้วยทรัพยากร (เช่น มีผู้ป่วยได้เพียงจำนวนหนึ่ง) ให้เขียนตรง ๆ และรายงานว่าด้วยจำนวนนั้นตรวจจับขนาดผลขนาดเท่าใดได้ที่ power 80% ซึ่งตรงกับแนวทาง sensitivity power analysis ที่ Lakens (2022) กล่าวถึง

บริบทไทย: แบบฟอร์ม IRB และวิทยานิพนธ์

ตัวอย่างจากเอกสารทางการที่ตรวจสอบได้คือแบบฟอร์มโครงร่างวิจัยของคณะกรรมการจริยธรรมการวิจัยในคน คณะแพทยศาสตร์โรงพยาบาลรามาธิบดี มหาวิทยาลัยมหิดล แบบฟอร์ม REC-MURA.04A (โครงร่างการทดลองยา) ซึ่งอ้างอิงรายการตรวจสอบ SPIRIT 2025 มีหัวข้อ “Sample size determination” และมีข้อความสำคัญดังนี้ จำนวนผู้เข้าร่วมต้องมากพอที่จะตอบคำถามวิจัยได้อย่างน่าเชื่อถือ ขนาดของความแตกต่างที่ตรวจจับได้ต้องมีความหมายทางคลินิก ต้องระบุว่าใช้สูตรหรือวิธีใดและเหตุผลที่เลือก และ “ต้องมีวิธีและเอกสารอ้างอิงของข้อมูลที่ใช้คำนวณ” ส่วนแบบฟอร์ม REC-MURA.07 (งานที่ไม่ใช่การทดลอง) ระบุให้คำนวณด้วย p-value ที่กำหนดไว้ล่วงหน้า (โดยทั่วไป 5%) และ power พร้อมแนะนำให้ปรึกษานักสถิติ

ข้อสังเกตเชิงปฏิบัติ แต่ละสถาบันมีแบบฟอร์มและระเบียบของตนเอง ให้ดาวน์โหลดแบบฟอร์มล่าสุดจาก IRB ที่จะยื่นและตรวจว่าขอข้อมูลส่วนนี้อย่างไร ตัวอย่างเอกสารข้างต้นไม่ได้หมายความว่าทุกสถาบันใช้รูปแบบเดียวกัน สำหรับวิทยานิพนธ์ ตัวเลขนี้มักอยู่ในบทที่ 3 วิธีดำเนินการวิจัย ซึ่งกรรมการสอบจะถามที่มา โปรดดู บทที่ 3 วิธีดำเนินการวิจัย สำหรับโครงสร้างทั้งบท และ รายการตรวจสถิติก่อนส่งวารสาร สำหรับขั้นตอนถัดไปเมื่อเริ่มเตรียมบทความ

สรุป

รายการตรวจสอบก่อนยื่นโครงร่าง

• ระบุผลลัพธ์หลักหนึ่งตัวและสถิติที่ใช้วิเคราะห์
• ระบุ alpha (ทางเดียวหรือสองทาง) และ power ครบ
• ผลต่างเป้าหมายมีเหตุผล (MCID งานตีพิมพ์ หรือข้อมูลที่ตรวจสอบได้) ไม่ใช่แค่ค่า “กลาง” ของ Cohen
• SD หรืออัตราเหตุการณ์ฐานมีที่มาและอ้างอิง
• แสดงทั้งจำนวนก่อนและหลังปรับอัตราสูญหาย
• ระบุโปรแกรม ฟังก์ชัน และเวอร์ชันที่ใช้คำนวณ
• มีการวิเคราะห์ความไวอย่างน้อยหนึ่งชุด
• ให้นักสถิติตรวจก่อนยื่น โดยเฉพาะ design ที่ซับซ้อน

หากต้องการให้ผู้เชี่ยวชาญตรวจสมมติฐานและย่อหน้า sample size ก่อนยื่น ดูบริการ วิเคราะห์สถิติ ของเรา หากมีคำถาม ต้องการสอบถามส่วนลดพิเศษสำหรับนักศึกษาหรือนักวิจัยที่ไม่มีทุน หรือต้องการความชัดเจนเพิ่มเติม ใช้ แบบฟอร์มติดต่อ หรืออีเมล [email protected] บริการของเราดำเนินการตามแนวทาง ICMJE, COPE และ GPP3 โดยระบุการสนับสนุนด้านการเขียนและการแก้ไขอย่างเหมาะสม

เอกสารอ้างอิง

1. Champely, S. pwr: Basic Functions for Power Analysis (R package version 1.3-0). The Comprehensive R Archive Network. https://CRAN.R-project.org/package=pwr
2. Chan, A.-W., Boutron, I., Hopewell, S., Moher, D., Schulz, K. F., Collins, G. S., et al. (2025). SPIRIT 2025 statement: updated guideline for protocols of randomised trials. BMJ, 389, e081477. doi:10.1136/bmj-2024-081477 PMID: 40294953
3. Cohen, J. (1992). A power primer. Psychological Bulletin, 112(1), 155–159. doi:10.1037/0033-2909.112.1.155 PMID: 19565683
4. Cook, J. A., Julious, S. A., Sones, W., Hampson, L. V., Hewitt, C., Berlin, J. A., et al. (2018). DELTA2 guidance on choosing the target difference and undertaking and reporting the sample size calculation for a randomised controlled trial. BMJ, 363, k3750. doi:10.1136/bmj.k3750 PMID: 30560792
5. Faculty of Medicine Ramathibodi Hospital, Mahidol University, Research Ethics Committee. (2026). REC-MURA.04A Drug Trial Protocol Template for Ramathibodi EC Submission (based on the SPIRIT 2025 checklist); and (2024) REC-MURA.07 Non-experimental Study Protocol Template for Ramathibodi EC submission. REC-MURA.04A; REC-MURA.07 (เข้าถึงเมื่อ 11 ตุลาคม 2026)
6. Hickey, G. L., Grant, S. W., Dunning, J., & Siepe, M. (2018). Statistical primer: sample size and power calculations—why, when and how? European Journal of Cardio-Thoracic Surgery, 54(1), 4–9. doi:10.1093/ejcts/ezy169 PMID: 29757369
7. Jaeschke, R., Singer, J., & Guyatt, G. H. (1989). Measurement of health status: ascertaining the minimal clinically important difference. Controlled Clinical Trials, 10(4), 407–415. doi:10.1016/0197-2456(89)90005-6 PMID: 2691207
8. Kraemer, H. C., Mintz, J., Noda, A., Tinklenberg, J., & Yesavage, J. A. (2006). Caution regarding the use of pilot studies to guide power calculations for study proposals. Archives of General Psychiatry, 63(5), 484–489. doi:10.1001/archpsyc.63.5.484 PMID: 16651505
9. Lakens, D. (2022). Sample size justification. Collabra: Psychology, 8(1), 33267. doi:10.1525/collabra.33267
10. Schulz, K. F., & Grimes, D. A. (2005). Sample size calculations in randomised trials: mandatory and mystical. The Lancet, 365(9467), 1348–1353. doi:10.1016/S0140-6736(05)61034-3 PMID: 15823387