Zastanawiam się, czy istnieją metody obliczania wielkości próby w modelach mieszanych? Używam lmer
w R, aby dopasować modele (mam losowe zbocza i przechwyty).
Zastanawiam się, czy istnieją metody obliczania wielkości próby w modelach mieszanych? Używam lmer
w R, aby dopasować modele (mam losowe zbocza i przechwyty).
Odpowiedzi:
Do longpower
opakowania 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 :
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