Karışık modeller için örneklem büyüklüğü hesaplama

23

Karışık modellerde örneklem büyüklüğünü hesaplamak için herhangi bir yöntem olup olmadığını merak ediyorum. lmerModelleri sığdırmak için R kullanıyorum (rastgele yamaçlarım ve kavşaklarım var).

r mixed-model lme4-nlme power-analysis

— Nikita Kuznetsov
kaynak

3

Simülasyon her zaman bir seçenektir - yani belirli bir alternatif hipotez ve örneklem büyüklüğü altında veri simülasyonu yapın ve ilgilenilen boş hipotezi ne sıklıkla reddettiğinizi görmek için modeli defalarca yeniden yerleştirin. Tecrübelerime göre, bu oldukça (bilgisayar) zaman alıcı çünkü her model için en az birkaç saniye sürüyor.

— Makro

29

longpowerPaket uygular Liu ve Liang (1997) ve Diggle örnek boyutu hesaplamaları ve arkadaşları, (2002). Dokümantasyonda örnek kod var. İşte lmmpower()fonksiyon , bu fonksiyon kullanılarak:

> 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

Ayrıca liu.liang.linear.power()hangisinin " doğrusal karma bir model için örneklem büyüklüğü hesaplamasını " gerçekleştirdiğini de kontrol edin.

Liu, G. ve Liang, KY (1997). İlişkili gözlemlere sahip çalışmalar için örneklem büyüklüğü hesaplamaları. Biometrics, 53 (3), 937-47.

Kazıyıcı PJ, Sağlık PJ, Liang K, Zeger SL. Boyuna verilerin analizi. İkinci baskı. Oxford. İstatistiksel Bilim Serires. 2002

Düzenleme: Başka bir yol kümeleme etkisi için "düzeltmektir". Sıradan bir doğrusal modelde her gözlem bağımsızdır, ancak kümelenme gözlemlerinin varlığında, daha az bağımsız gözlemlere sahip olduğu düşünülen bağımsız değildir - etkili örneklem büyüklüğü daha küçüktür. Bu etkinlik kaybı, tasarım etkisi olarak bilinir :

D E = 1 + (m - 1) ρ

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

m

$m$

ρ

$\rho$

D E

$DE$

— Robert Long
kaynak

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}

$\rho_\epsilon$

Beni bu formül için bir alıntıya işaret edebilir misiniz?

— Joshua Rosenberg,

10

Basit 2 örnek testinin ötesindeki herhangi bir şey için, örneklem büyüklüğü veya güç çalışmaları için simülasyonu kullanmayı tercih ederim. Önceden paketlenmiş rutinlerde bazen, yaptıkları varsayımlara dayanarak programlardan elde edilen sonuçlar arasında büyük farklar görebilirsiniz (ve bu varsayımların ne olduğunu, çalışmanız için makul olsalar bile, ne olduğunu öğrenemeyebilirsiniz). Simülasyon ile tüm varsayımları kontrol edersiniz.

İşte bir örneğe link:
https://stat.ethz.ch/pipermail/r-sig-mixed-models/2009q1/001790.html

— Greg Snow
kaynak

Merak ediyorum, bu GLMER modelleri için de işe yarıyor mu?

— Charlie Glez

1

@CarlosGlez, evet, bu verileri simüle edip analiz edebileceğiniz herhangi bir model için işe yarar. Bunu GLMER modelleri için yaptım.

— Greg Snow,

Söyleyeceğim ve “varsayımları kontrol etmenin” yanı sıra, “neyin” sorusunu da sorabilir, bu varsayımları kırabilir ve bazı pratik sağlamlık hissini belirleyebilir, örneğin normal olmayan rastgele etkilerin gerçekten verimliliği bozup bozmayacağını da ekleyeceğim.

— AdamO