Znalezienie mocy przeciw wykładniczym alternatywom z przesunięciem skali jest dość proste.
Jednak nie wiem, czy powinieneś używać wartości obliczonych na podstawie danych, aby obliczyć moc. Tego rodzaju obliczenia mocy post hoc zwykle prowadzą do sprzecznych z intuicją (i być może wprowadzających w błąd) wniosków.
Moc, podobnie jak poziom istotności, jest zjawiskiem, z którym masz do czynienia przed faktem; użyłbyś a priori zrozumienia (w tym teorii, rozumowania lub wszelkich wcześniejszych badań), aby zdecydować o rozsądnym zestawie alternatyw do rozważenia i pożądanej wielkości efektu
Możesz również rozważyć wiele innych alternatyw (np. Możesz osadzić wykładniczy w rodzinie gamma, aby rozważyć wpływ mniej lub bardziej wypaczonych przypadków).
Typowe pytania, na które można próbować odpowiedzieć za pomocą analizy mocy, to:
1) jaka jest moc, dla danej wielkości próbki, przy pewnym rozmiarze efektu lub zestawie wielkości efektu *?
2) biorąc pod uwagę wielkość i moc próbki, jak duży jest wykrywalny efekt?
3) Biorąc pod uwagę pożądaną moc dla określonego rozmiaru efektu, jaki rozmiar próbki byłby wymagany?
* (gdzie tutaj „wielkość efektu” ma charakter ogólny i może być na przykład szczególnym stosunkiem średnich lub różnicą średnich, niekoniecznie znormalizowanymi).
Najwyraźniej masz już próbkę, więc nie jesteś na wszelki wypadek (3). Możesz rozsądnie rozważyć przypadek (2) lub przypadek (1).
Sugerowałbym przypadek (1) (który daje również sposób na zajęcie się przypadkiem (2)).
Aby zilustrować podejście do przypadku (1) i zobaczyć, jak odnosi się ono do przypadku (2), rozważmy konkretny przykład z:
Ponieważ rozmiary próbek są różne, musimy wziąć pod uwagę przypadek, w którym względny rozkład w jednej z próbek jest zarówno mniejszy, jak i większy niż 1 (jeśli były one tego samego rozmiaru, względy symetrii umożliwiają rozważenie tylko jednej strony). Ponieważ jednak są dość zbliżone do tego samego rozmiaru, efekt jest bardzo mały. W każdym razie napraw parametr dla jednej próbki i zmieniaj drugą.
Więc to, co robi, to:
Uprzednio:
choose a set of scale multipliers representing different alternatives
select an nsim (say 1000)
set mu1=1
Aby wykonać obliczenia:
for each possible scale multiplier, kappa
repeat nsim times
generate a sample of size n1 from Exp(mu1) and n2 from Exp(kappa*mu1)
perform the test
compute the rejection rate across nsim tests at this kappa
W R zrobiłem to:
alpha = 0.05
n1 = 54
n2 = 64
nsim = 10000
s = c(1.1,1.2,1.5,2,2.5,3) # set up grid for kappa
s = c(1/rev(s),1,s) # also below and at 1
rr = array(NA,length(s)) # to hold rejection rates
for(i in seq_along(s)) rr[i]=mean(replicate(nsim,
ks.test(rexp(n1,1),rexp(n2,s[i]))$p.value)<alpha
)
plot(rr~s,log="x",ylim=c(0,1),type="n") #set up plot
points(rr~rev(s),col=3) # plot the reversed case to show the (tiny) asymmetry+noise
points(rr~s,col=1) # plot the "real" case last
abline(h=alpha,col=8,lty=2) # draw in alpha
co daje następującą „krzywą” mocy
Oś X znajduje się w skali logarytmicznej, oś Y to współczynnik odrzucania.
Trudno tu powiedzieć, ale czarne punkty są nieco wyższe po lewej niż po prawej (to znaczy, że moc jest ułamkowo większa, gdy większa próbka ma mniejszą skalę).
Wykorzystując odwrotną normalną wartość cdf jako transformację współczynnika odrzucenia, możemy uczynić związek między przekształconą szybkością odrzucania a log kappa (kappa jest sna wykresie, ale oś x jest skalowana log) bardzo prawie liniowa (z wyjątkiem bliskiej 0 ), a liczba symulacji była wystarczająco wysoka, aby hałas był bardzo niski - możemy go prawie zignorować w obecnych celach.
Możemy więc po prostu użyć interpolacji liniowej. Poniżej przedstawiono przybliżone rozmiary efektów dla 50% i 80% mocy dla wielkości próbki:
Rozmiary efektów po drugiej stronie (większa grupa ma mniejszą skalę) są tylko nieznacznie przesunięte w stosunku do tej wartości (mogą wybrać ułamek mniejszy rozmiar efektu), ale nie ma to większego znaczenia, więc nie będę się zastanawiać.
Tak więc test wykryje istotną różnicę (ze stosunku skal 1), ale nie małą.
Teraz kilka komentarzy: nie sądzę, aby testy hipotez były szczególnie istotne w odniesieniu do leżącego u podstaw pytania dotyczącego zainteresowania ( czy są całkiem podobne? ), A zatem te obliczenia mocy nie mówią nam nic bezpośrednio związanego z tym pytaniem.
Myślę, że rozwiązujesz to bardziej przydatne pytanie, wstępnie określając, co według ciebie „zasadniczo to samo” oznacza, operacyjnie. To - racjonalnie realizowane w ramach działalności statystycznej - powinno prowadzić do sensownej analizy danych.