科研Labs › 预测模型样本量（Riley）
临床预测模型最小样本量（二分类）
⚗️ 前沿方法：基于 Riley 等（2019）的预测模型样本量准则，较新、参数敏感。本工具实现二分类结局三准则，正式投稿前建议用官方 R 包
pmsampsize 复核，并确认 R²cs 的取值来源。开发临床预测模型（诊断/预后风险模型）需要足够样本以控制过拟合。本工具按 Riley 三准则给出二分类结局所需最小样本量： ①整体收缩 S=0.9；②表观与调整 Nagelkerke R² 之差≤0.05；③总体平均风险估计精度±0.05，取三者最大。浏览器本地计算，数据不上传。
① 输入参数
| 候选预测参数个数 P 含哑变量、样条、交互等全部待估系数 | |
| 结局患病率 / 发生率 | |
| 预期 Cox-Snell R²（已调整） 来自既往模型/试点；仅有 C 统计量时需先换算 |
使用说明与方法学
为什么不再用「每变量 10 事件(EPV=10)」？
EPV=10 是经验法则，未考虑预期模型表现、预测因子数与结局比例的交互。Riley 2019 提出基于收缩、optimism 与风险估计精度的样本量准则，更有依据，已被 TRIPOD 等推荐，常被审稿要求。
R²cs 从哪里来？
理想来自既往同类预测模型报告的 Cox-Snell R²，或试点数据拟合。只有预期 C 统计量(AUC)时，需用 Riley(2020)/pmsampsize 内置方法换算为 R²cs——该换算为近似，建议直接用 pmsampsize 完成。
P 应该数哪些？
P 是模型里全部待估的预测参数个数：连续变量计 1（用样条则按样条项数计）、k 水平的分类变量计 k−1 个哑变量、交互项各计 1。不要只数「变量个数」。
为什么三个准则取最大？
三准则分别保证小的过拟合收缩、表观与调整表现接近、以及总体风险估计够准。任一不满足都不够，故取三者所需样本量的最大值作为最小样本量。