Perhitungan ukuran sampel untuk model campuran

23

Saya bertanya-tanya apakah ada metode untuk menghitung ukuran sampel dalam model campuran? Saya menggunakan lmerdi R agar sesuai dengan model (saya punya lereng acak dan penyadapan).

r mixed-model lme4-nlme power-analysis

— Nikita Kuznetsov
sumber

3

Simulasi selalu merupakan pilihan - yaitu mensimulasikan data di bawah hipotesis alternatif dan ukuran sampel tertentu dan menyesuaikan model berkali-kali untuk melihat seberapa sering Anda menolak hipotesis nol yang menarik. Dari pengalaman saya, ini cukup (komputer) memakan waktu karena dibutuhkan setidaknya beberapa detik untuk setiap model yang cocok.

— Makro

29

The longpowerpaket alat perhitungan ukuran sampel di Liu dan Liang (1997) dan Diggle et al (2002). Dokumentasi memiliki kode contoh. Ini salah satunya, menggunakan lmmpower()fungsi:

> 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

Juga periksa liu.liang.linear.power()yang " melakukan perhitungan ukuran sampel untuk model campuran linier"

Liu, G., & Liang, KY (1997). Perhitungan ukuran sampel untuk studi dengan observasi berkorelasi. Biometrik, 53 (3), 937-47.

Diggle PJ, Heagerty PJ, Liang K, Zeger SL. Analisis data longitudinal. Edisi kedua. Oxford. Ilmu Statistik Melayani. 2002

Sunting: Cara lain adalah dengan "memperbaiki" efek pengelompokan. Dalam model linier biasa, setiap pengamatan adalah independen, tetapi di hadapan pengamatan clustering tidak independen yang dapat dianggap memiliki lebih sedikit pengamatan independen - ukuran sampel efektif lebih kecil. Hilangnya efektivitas ini dikenal sebagai efek desain :

D E = 1 + (m - 1) ρ

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

m

$m$

ρ

$\rho$

D E

$DE$

— Robert Long
sumber

3

D E F F = 1 + (m - 1) ρ_{x} ρ_{ϵ},

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

ρ_{x}

$\rho_x$

ρ_{ϵ}

$\rho_\epsilon$

Bisakah Anda mengarahkan saya ke kutipan untuk formula ini?

— Joshua Rosenberg

10

Untuk apa pun di luar tes 2 sampel sederhana, saya lebih suka menggunakan simulasi untuk ukuran sampel atau studi kekuatan. Dengan rutinitas yang telah dikemas sebelumnya, Anda terkadang dapat melihat perbedaan besar antara hasil dari program berdasarkan pada asumsi yang mereka buat (dan Anda mungkin tidak dapat mengetahui apa asumsi itu, apalagi jika itu masuk akal untuk studi Anda). Dengan simulasi Anda mengontrol semua asumsi.

Berikut ini tautan ke sebuah contoh:
https://stat.ethz.ch/pipermail/r-sig-mixed-models/2009q1/001790.html

— Greg Snow
sumber

Hanya ingin tahu, apakah ini juga berfungsi untuk model GLMER?

— Charlie Glez

1

@CarlosGlez, ya, ini berfungsi untuk model mana pun di mana Anda dapat mensimulasikan data dan menganalisisnya. Saya telah melakukan ini untuk model GLMER.

— Greg Snow

Baik dikatakan, dan saya akan menambahkan bahwa selain "mengendalikan asumsi", Anda juga dapat mengajukan pertanyaan "bagaimana jika", mematahkan asumsi ini, dan menentukan beberapa rasa kekokohan praktis, misalnya apakah efek acak non-normal benar-benar merusak efisiensi.

— AdamO