选哪款样本量计算软件?AbelStat vs PASS vs G*Power 横向比较

上一期我们实操演示了两样本均数比较的计算过程，有读者问：AbelStat和PASS、G*Power这些软件比怎么样？新手该学哪个？发论文用哪个？

今天一篇讲清楚。

一、三款软件定位速览

二、各自的优势与局限

PASS：行业金标准

优势：

• 方法最全——从最简单的t检验到极其复杂的自适应设计、多重性校正，几乎你能想到的临床设计都有对应模块
• 权威认可——FDA、EMA在审评材料中常见引用PASS结果，是论文审稿人最熟悉的软件
• 输出详细——不仅返回数字，还有方法学报告、参考文献、甚至图表

局限：

• 价格高昂——年费数千元，个人用户很难接受
• 学习曲线陡——500多种方法，找到正确的一个就要花不少时间
• 操作繁复——每个参数弹窗层层嵌套，填错一个就得重来
• 全英文界面——对英语不太熟练的临床医生不太友好

G*Power：免费轻量

优势：

• 完全免费——学术界广泛使用
• 安装轻量——几十MB，即装即用
• 覆盖常见设计——t检验、ANOVA、χ²检验、回归等，满足多数日常需求

局限：

• 界面老旧——设计停留在2000年代风格
• 无公式展示——”黑箱”操作，输入参数出结果，但不告诉你公式是什么
• 无文献引用——计算结果缺少可直接引用的文献
• 方法有限——超过两组率比较、交叉设计、整群随机等设计无法处理

AbelStat：新手友好

优势：

• 全中文——从原理说明到界面标签全部中文，消除语言障碍
• 公式透明——每个方法都展示标准计算公式（LaTeX排版），知道软件在算什么
• 操作简洁——左侧选方法→右侧出面板→填参数→出结果，三步完成
• 结果含脱落率调整表——自动呈现5%-30%脱落率下的调整样本量，很实用
• 双模式切换——同一个面板可切换样本量计算和Power计算，流程连贯

局限：

• 方法覆盖有限——28种方法覆盖常见设计，但涉及复杂设计（如多阶段、适应性设计）不够用
• 未经权威认证——个人开发软件
• 平台限制——目前仅支持Windows

三、为什么推荐初学者先用AbelStat

如果你是刚接触样本量计算的研究生或临床医生，我建议你从AbelStat入手，理由有三：

1. 降低认知负担

PASS打开后500多种方法扑面而来，连该选哪个都不清楚。AbelSta精炼为28种，按使用场景分类（基础估计、两样本比较、优效/非劣效、生存分析等），找到正确方法几乎不需要摸索。

2. 公式看得见

这是它和很多软件最大的区别。举个例子——点击”两样本均数比较”，面板上直接显示公式：

n₁ = n₂ = 2(Zα/₂ + Zβ)²σ² / δ²

你亲眼看到δ（差值）越大、σ（标准差）越小，样本量就越少。这种”可见性”对理解统计原理帮助很大，而不是像黑箱一样输入数字、输出结果。

3. 中文环境

统计术语本身就难懂——“检验效能”“效应量”“方差齐性”——再加上英文界面更让人头疼。全中文界面+中文原理说明，让你把精力集中在研究设计本身。

四、发论文时该用哪个？

这是个很现实的问题，说结论：

如果论文涉及复杂的样本量计算（如适应性设计、多重比较校正），建议用PASS。对于常规的RCT样本量计算，用哪个软件都可以——审稿人更关心你的参数依据而非软件本身。

不过一个稳妥的做法是：

1. 用 AbelStat做前期的探索和方案调整——快速试不同参数组合，理解计算逻辑
2. 用 PASS 做最终的交叉验证——确认结果一致，截取PASS结果页面作为附件

这样既享受了AbelSta的便捷，又借用了PASS的权威背书。

五、我的建议

小结

没有一款软件是万能的。PASS权威但不亲民，G*Power免费但功能有限，AbelStat便捷但尚未权威认证。

对初学者的建议路径：

1. 先用AbelStat理解原理
   
   ——花半小时跑一遍案例，搞懂公式和参数意义
2. 再用PASS验证结果
   
   ——借学校或科室的授权跑一遍最终方案
3. 论文中引用PASS
   
   ——在方法部分注明”样本量计算采用PASS xx软件”

这样既高效又稳妥。