样本量的确定是实施抽样调查或者医学临床试验等统计实践的基础工作,合理的样本量既能保证调查或者试验结果的可靠性与准确度,同时能控制调查或试验的费用和成本,在确保试验可信性以及资源节约等方面起着尤为重要的作用。Logistic回归模型在临床医学和药物研发等领域应用广泛。本文针对该模型的样本量计算问题,结合多种不同的信息,给出相应的样本量计算理论,并推导对应的公式。在简要介绍经验法的基础上,详细讨论了公式法的适用场景。首先考虑逻辑回归模型中自变量为二元分类型变量时,计算了三种不同逻辑回归模型的样本量:单风险因子模型、一个暴露因子和一个混杂因子的模型、存在交互作用的两风险因子模型。当自变量为连续型变量时,简要介绍了Wald检验、似然比检验、得分检验这三种不同检验方法在样本量计算中的理论,着重给出了单因子模型的Wald检验方法的具体推导过程。我们也讨论了贝叶斯框架下的样本量计算方法,比较频率派方法与贝叶斯方法的优劣性。再者,介绍了阈值检验法,具体有通过构造分类器的逻辑回归法、交叉验证法、距离法等,并通过大量的模拟计算对几种方法进行比较分析。特别地,利用logistic回归模型的特性,考虑基于logit-normal分布的逻辑回归模型的样本量计算问题,根据logit-normal分布的特点,使用Delta法与优化法将其转化为正态分布,并通过模拟数据分析,比较转化前后所计算出的样本量结果。我们得到如下结论:在同样的功效与置信水平之下,转化后的logistic回归模型的样本量结果明显优于未转化的结果。