Tính kích thước mẫu cho các mô hình hỗn hợp

23

Tôi tự hỏi nếu có bất kỳ phương pháp để tính kích thước mẫu trong các mô hình hỗn hợp? Tôi đang sử dụng lmertrong R để phù hợp với các mô hình (Tôi có độ dốc và chặn ngẫu nhiên).

r mixed-model lme4-nlme power-analysis

— Nikita Kuznetsov
nguồn

3

Mô phỏng luôn là một tùy chọn - tức là mô phỏng dữ liệu theo một giả thuyết và kích thước mẫu cụ thể và phù hợp với mô hình nhiều lần để xem mức độ thường xuyên bạn từ chối giả thuyết quan tâm null. Theo kinh nghiệm của tôi, việc này khá tốn thời gian (máy tính) vì phải mất ít nhất vài giây cho mỗi mô hình phù hợp.

— Macro

29

Các longpowergói dụng cụ tính toán cỡ mẫu trong Liu và Liang (1997) và Diggle et al (2002). Các tài liệu có mã ví dụ. Đây là một, sử dụng lmmpower()chức năng:

> 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

Đồng thời kiểm tra xem liu.liang.linear.power()" thực hiện tính toán kích thước mẫu cho mô hình hỗn hợp tuyến tính"

Lưu, G., & Lương, Kỵ (1997). Tính toán kích thước mẫu cho các nghiên cứu với các quan sát tương quan. Sinh trắc học, 53 (3), 937-47.

Diggle PJ, PJ nặng nề, Liang K, Zeger SL. Phân tích dữ liệu theo chiều dọc. Phiên bản thứ hai. Oxford. Khoa học thống kê Serires. 2002

Chỉnh sửa: Một cách khác là "sửa" cho hiệu ứng của cụm. Trong một mô hình tuyến tính thông thường, mỗi quan sát là độc lập, nhưng trong sự hiện diện của các quan sát phân cụm không độc lập, có thể được coi là có ít quan sát độc lập hơn - kích thước mẫu hiệu quả nhỏ hơn. Mất hiệu quả này được gọi là hiệu ứng thiết kế :

D E = 1 + (m - 1) ρ

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

m

$m$

ρ

$\rho$

D E

$DE$

— Robert Long
nguồn

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}

$\rho_\epsilon$

Bạn có thể chỉ cho tôi một trích dẫn cho công thức này?

— Joshua Rosenberg

10

Đối với bất cứ điều gì ngoài 2 bài kiểm tra mẫu đơn giản, tôi thích sử dụng mô phỏng cho cỡ mẫu hoặc nghiên cứu công suất. Với các thói quen được đóng gói sẵn, đôi khi bạn có thể thấy sự khác biệt lớn giữa các kết quả từ các chương trình dựa trên các giả định mà chúng đang thực hiện (và bạn có thể không thể tìm ra những giả định đó là gì, hãy để yên nếu chúng hợp lý cho nghiên cứu của bạn). Với mô phỏng bạn kiểm soát tất cả các giả định.

Đây là một liên kết đến một ví dụ:
https://stat.ethz.ch/pipermail/r-sig-mixed-models/2009q1/001790.html

— Greg tuyết
nguồn

Chỉ cần tự hỏi, điều này cũng làm việc cho các mô hình GLmer?

— Charlie Glez

1

@CarlosGlez, vâng, điều này hoạt động cho bất kỳ mô hình nào mà bạn có thể mô phỏng dữ liệu và phân tích nó. Tôi đã làm điều này cho các mô hình GLmer.

— Greg Snow

Nói tốt, và tôi sẽ nói thêm rằng ngoài "các giả định kiểm soát", bạn cũng có thể hỏi các câu hỏi "nếu như", phá vỡ các giả định này và xác định một số ý nghĩa thực tế của sự mạnh mẽ, ví dụ như liệu các hiệu ứng ngẫu nhiên không bình thường có thực sự phá hỏng hiệu quả hay không.

— AdamO