样本含量是在进行研究时所需的样本大小或参与者数量。在研究设计中，样本含量的大小直接影响研究的统计功效和可靠性。样本含量的大小取决于多个因素，如研究目的、研究设计、效应或关系的大小和统计分析方法等。确定适当的样本大小可以确保研究的有效性，并最大程度地减少Ⅰ类错误和Ⅱ类错误的概率。
一、两类错误：
1.第一类错误（Ⅰ类错误）也称为α错误，指的是原假设是正确的，但被错误地拒绝了。举例来说，在法庭判案中，如果被告真的是无辜的，但法官错误地判定被告有罪，那么这就是一种第一类错误。置信度为1-α。
2.第二类错误（Ⅱ类错误）也称为β错误，指的是原假设是错误的，但被错误地接受了。举例来说，在法庭判案中，如果被告真的是罪犯，但法官错误地判定被告无罪，那么这就是一种第二类错误。检验效能又称把握度，为1-β。
四格表卡方检验是医学统计学中常用的一种方法，用于确定两个分类变量之间是否存在关联。在医学研究中，四格表卡方检验被广泛应用于研究疾病和治疗方法之间的关联，以及预测疾病发展的风险因素。
四格表卡方检验基于一个二维表格，也称为四格表。表格中的行和列分别代表两个分类变量。例如，行可以代表男性和女性，列可以代表吸烟和不吸烟。表格中的每个单元格代表两个变量的交叉部分，例如男性吸烟者的数量。四格表卡方检验的目的是确定这些变量之间是否存在关联，如果存在关联，则表示两个变量之间有统计学上的显著性关系。
四格表卡方检验的原理是基于比较实际观察值和期望值之间的差异。实际观察值是指在样本中观察到的数据，而期望值是指在假设无关联的情况下，预计会发生的数据。通过比较实际观察值和期望值，可以计算出卡方值，该值越大表示观察到的数据与假设无关联的期望数据之间的差异越大。
卡方检验是统计学中一种非常重要且应用广泛的非参数检验方法，从诞生至今已有100多年历史，在19世纪末，英国统计学家卡尔·皮尔逊（Karl Pearson）在研究生物遗传学时，发现了一个问题：如何衡量观察值与理论值之间的差异程度。为解决这一问题，他在1900年发表了一篇论文，提出了一种名为卡方分布（Chi-square distribution）的新型概率分布。卡方分布为这一问题提供了一种量化方法，使得统计学家可以根据观察值与理论值的差异程度做出统计推断。
在后来的应用中，人们发现卡方检验存在一定的局限性。例如，卡方检验在样本量较小的情况下可能不够稳定。为解决这一问题，统计学家罗纳德·费希尔（Ronald A. Fisher）在1920年左右提出了一种名为Fisher’s精确检验（Fisher’s exact test）的改进方法，可以在小样本情况下获得更精确的检验结果，此外费希尔还提出了p-value概念，在卡方检验中起到了至关重要的作用。
卡方检验是一种经典的统计方法，用于确定观察到的数据与期望数据之间的差异性。在医学领域，卡方检验被广泛应用于研究疾病的发病机制、诊断方法和治疗效果等方面。
1.研究疾病的危险因素：卡方检验可用于比较两组人群中某个危险因素的分布差异是否显著。例如，一项研究发现吸烟者患肺癌的风险明显高于非吸烟者，那么可以用卡方检验来验证这种差异是否具有统计学意义。
2.评估诊断方法的准确性：卡方检验可用于评估某个诊断方法的准确性和可靠性。例如，对于一种新型肿瘤筛查方法，可以将其结果与已知的阳性和阴性病例进行比较，然后用卡方检验来检验其诊断准确性是否达到统计学标准。
3.比较治疗效果：卡方检验可用于比较不同治疗方法或药物的疗效。例如，在一项治疗糖尿病的研究中，可以将两组病人的治疗结果进行比较，然后用卡方检验来检验不同治疗方法的效果是否具有统计学意义。
4.研究基因型和表型之间的关系：卡方检验可用于研究基因型和表型之间的关系。例如，研究人员可以通过卡方检验来验证某个基因是否与某种疾病的发生率有关。
