统计模拟：服从二项分布的两组差异高于非劣效界值的概率

本文链接：https://blog.csdn.net/leeningzzu/article/details/125750327

本文探讨了在临床试验中样本量大小如何影响试验组与对照组的差异评估。通过SAS和R代码模拟，展示了在小样本量（20例）和大样本量（75例）情况下，不同事件成功率下试验结果的概率变化。结果显示，增加样本量能显著提高发现有效差异的概率，尤其是在试验组与对照组事件成功率相近时，大样本量能确保更高概率获得阳性结果，强调了样本量在临床试验设计中的重要性。

摘要由CSDN通过智能技术生成

临床试验中假设试验组与对照组按1:1比例随机分配，不同的样本量可能影响其效果，探索不同样本量下两组差异

小样本量（40例）

在这里插入图片描述

上图第一、二列分别假设为试验组和对照组主要终点概率，第三列为两组差异与非劣效值相比发生的概率，具体数据模拟SAS程序如下：

%macro simu(c,n,p1,p2,outdat);
data a;
do i = 1 to &c. by 1;
trail=ranbin(123,&n.,&p1.); 
control=ranbin(123,&n.,&p2.); 
c=(trail-control)/&n.;
if c gt -0.1 then d=1;else d=0;
output a;
end;
run;
proc sql ;
create table &outdat. as
select
sum(d)/&c. as y
from a;
quit;
%mend simu;

%simu(c=1000,n=20,p1=0.8,p2=0.8,outdat=a1);
%simu(c=1000,n=20,p1=0.85,p2=0.85,outdat=a2);
%simu(c=1000,n=20,p1=0.90,p2=0.90,outdat=a3);
%simu(c=1000,n=20,p1=0.95,p2=0.95,outdat=a4);
%simu(c=1000,n=20,p1=0.65,p2=0.80,outdat=a5);
%simu(c=1000,n=20,p1=0.70,p2=0.85,outdat=a6);
%simu(c=1000,n=20,p1=0.75,p2=0.90,outdat=a7);
%simu(c=1000,n=20,p1=0.80,p2=0.95,outdat=a8);
data b;
set a1-a8;
run;

两组样本量均为20，在不同的概率参数下，分别模拟1000个数据，并于-10%的非劣效界值比较。当试验组与对照组事件成功率一致时，每个治疗组20例受试者可有80%左右的概率获得试验组成功率高于对照组或与对照组之差在10%以内的疗效结果；当试验组成功率明显低于对照组时，每个治疗组20例受试者亦可将获得该疗效结果的概率控制在30%以下。

大样本量（150例）

在这里插入图片描述

当两组样本量分别为75例时，当试验组成功率明显低于对照组时的概率可控制在23.7%以下。但当试验组与对照组事件成功率一致时，获得试验组成功率高于对照组或与对照组之差在10%以内的疗效结果的概率增高到了93.1%以上，可见样本量的重要性。

%simu(c=1000,n=75,p1=0.8,p2=0.8,outdat=a1);
%simu(c=1000,n=75,p1=0.85,p2=0.85,outdat=a2);
%simu(c=1000,n=75,p1=0.90,p2=0.90,outdat=a3);
%simu(c=1000,n=75,p1=0.95,p2=0.95,outdat=a4);
%simu(c=1000,n=75,p1=0.65,p2=0.80,outdat=a5);
%simu(c=1000,n=75,p1=0.70,p2=0.85,outdat=a6);
%simu(c=1000,n=75,p1=0.75,p2=0.90,outdat=a7);
%simu(c=1000,n=75,p1=0.80,p2=0.95,outdat=a8);
data b;
set a1-a8;
run;

R 代码

simu <- function(c,n,p1,p2){
x1 <- data.frame(rbinom(c,n,p1))
x2 <- data.frame(rbinom(c,n,p2))
a <- cbind(x1,x2)
a$diff=(a[,1]-a[,2])/n
table(a$diff>-0.1)["TRUE"]/10
}
a1 <- simu(1000,50,0.8,0.8)
a2 <- simu(1000,50,0.85,0.85)
a3 <- simu(1000,50,0.9,0.9)
a4 <- simu(1000,50,0.95,0.95)
a5 <- simu(1000,50,0.65,0.80)
a6 <- simu(1000,50,0.70,0.85)
a7 <- simu(1000,50,0.75,0.9)
a8 <- simu(1000,50,0.80,0.95)

b <- t(data.frame(a1,a2,a3,a4,a5,a6,a7,a8))