Obliczanie wielkości próbki dla modeli mieszanych

23

Zastanawiam się, czy istnieją metody obliczania wielkości próby w modelach mieszanych? Używam lmerw R, aby dopasować modele (mam losowe zbocza i przechwyty).

r mixed-model lme4-nlme power-analysis

— Nikita Kuzniecow
źródło

3

Symulacja jest zawsze opcją - tzn. Symuluje dane w ramach konkretnej alternatywnej hipotezy i wielkości próby i wielokrotnie dopasowuje model, aby zobaczyć, jak często odrzucasz hipotezę zerową będącą przedmiotem zainteresowania. Z mojego doświadczenia jest to dość (komputerowe) czasochłonne, ponieważ dopasowanie każdego modelu zajmuje co najmniej kilka sekund.

— Makro

29

Do longpoweropakowania narzędzia obliczenia rozmiar próbki Liu i Liang (1997) i Diggle i inni (2002). Dokumentacja zawiera przykładowy kod. Oto jeden, używając lmmpower()funkcji:

> require(longpower)
> require(lme4)
> fm1 <- lmer(Reaction ~ Days + (Days|Subject), sleepstudy) 
> lmmpower(fm1, pct.change = 0.30, t = seq(0,9,1), power = 0.80)

     Power for longitudinal linear model with random slope (Edland, 2009) 

              n = 68.46972
          delta = 3.140186
         sig2.s = 35.07153
         sig2.e = 654.941
      sig.level = 0.05
              t = 0, 1, 2, 3, 4, 5, 6, 7, 8, 9
          power = 0.8
    alternative = two.sided
       delta.CI = 2.231288, 4.049084
           Days = 10.46729
        Days CI = 7.437625, 13.496947
           n.CI = 41.18089, 135.61202

Sprawdź także, liu.liang.linear.power()które „ wykonuje obliczenia wielkości próby dla liniowego modelu mieszanego”

Liu, G. i Liang, KY (1997). Obliczenia wielkości próby dla badań z korelowanymi obserwacjami. Biometrics, 53 (3), 937-47.

Diggle PJ, Heagerty PJ, Liang K, Zeger SL. Analiza danych podłużnych. Druga edycja. Oxford Serie nauk statystycznych. 2002

Edycja: Innym sposobem jest „poprawienie” efektu grupowania. W zwykłym modelu liniowym każda obserwacja jest niezależna, ale w obecności skupień obserwacje nie są niezależne, co można uznać za mniej niezależnych obserwacji - efektywna wielkość próby jest mniejsza. Ta utrata skuteczności jest znana jako efekt projektowy :

re mi = 1 + (m - 1) ρ

$DE = 1 +(m-1)\rho$

m

$m$

ρ

$\rho$

D E

$DE$

— Robert Long
źródło

3

re mi fa fa = 1 + (m - 1) ρ_{x} ρ_{ϵ},

${\rm DEFF} = 1 + (m-1) \rho_x \rho_\epsilon,$

ρ_{x}

$\rho_x$

ρ_{ϵ}

$\rho_\epsilon$

Czy możesz wskazać mi cytat dotyczący tej formuły?

— Joshua Rosenberg

10

W przypadku czegokolwiek poza prostymi 2 próbnymi testami wolę używać symulacji do badań wielkości próby lub mocy. W przypadku paczkowanych procedur można czasem zobaczyć duże różnice między wynikami programów na podstawie założeń, które oni przyjmują (i możesz nie być w stanie dowiedzieć się, jakie są te założenia, nie mówiąc już o tym, czy są one uzasadnione dla twojego badania). Dzięki symulacji kontrolujesz wszystkie założenia.

Oto link do przykładu:
https://stat.ethz.ch/pipermail/r-sig-mixed-models/2009q1/001790.html

— Greg Snow
źródło

Zastanawiam się, czy to działa również w przypadku modeli GLMER?

— Charlie Glez,

1

@CarlosGlez, tak, działa to na każdym modelu, w którym można symulować dane i analizować je. Zrobiłem to dla modeli GLMER.

— Greg Snow,

Dobrze powiedziane, i dodam, że oprócz „kontrolowania założeń” możesz także zadawać pytania „co jeśli”, przełamać te założenia i określić pewne praktyczne poczucie solidności, np. Czy nietypowe losowe efekty naprawdę rujnują wydajność.

— AdamO,