혼합 모델의 표본 크기 계산


23

혼합 모델에서 표본 크기를 계산하는 방법이 있는지 궁금합니다. lmerR에서 모델에 맞게 사용 하고 있습니다 (임의의 기울기와 요격이 있습니다).


3
시뮬레이션은 항상 선택 사항입니다. 즉, 특정 대체 가설 및 표본 크기로 데이터를 시뮬레이션하고 모형을 여러 번 다시 피팅하여 관심있는 귀무 가설을 얼마나 자주 거부하는지 확인할 수 있습니다. 내 경험상 이것은 각 모델에 맞는 데 몇 초가 걸리기 때문에 (컴퓨터) 시간이 많이 걸립니다.
매크로

답변:


29

longpower패키지 는 Liu and Liang (1997) 및 Diggle et al (2002)에서 샘플 크기 계산을 구현합니다. 설명서에는 예제 코드가 있습니다. 다음은 lmmpower()함수를 사용하는 것입니다.

> 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

또한 확인 liu.liang.linear.power() " 선형 혼합 모형에 대한 표본 크기 계산을 수행하는"

KY, Liu, G. & Liang (1997). 상관 된 관측치가있는 연구의 표본 크기 계산. 생체 인식, 53 (3), 937-47.

PJ, Heagerty PJ, Liang K, Zeger SL을 토글합니다. 종단 데이터 분석. 두번째 버전. 옥스퍼드. 통계 과학 서비스. 2002

편집 : 다른 방법은 클러스터링 효과를 "수정"하는 것입니다. 일반적인 선형 모델에서 각 관측 값은 독립적이지만 군집 관측이 존재하는 경우 독립적 인 관측 값이 더 적은 것으로 생각할 수있는 독립적 인 것이 아니며 유효 표본 크기 가 더 작습니다. 이러한 효과의 손실은 디자인 효과 라고 합니다 .

이자형=1+(1)ρ
ρ이자형

3
이자형에프에프=1+(1)ρ엑스ρϵ,
ρ엑스ρϵ

이 공식에 대한 인용을 알려주시겠습니까?
Joshua Rosenberg

10

간단한 2 개 샘플 테스트를 넘어서는 샘플 크기 또는 검정력 연구에 시뮬레이션을 사용하는 것을 선호합니다. 사전 패키지 된 루틴을 사용하면 프로그램의 가정에 따라 프로그램 결과간에 큰 차이가있는 경우가 있습니다 (연구에 합리적 일 경우는 물론 해당 가정이 무엇인지 알 수 없음). 시뮬레이션을 통해 모든 가정을 제어 할 수 있습니다.

다음은 예에 대한 링크입니다.
https://stat.ethz.ch/pipermail/r-sig-mixed-models/2009q1/001790.html


궁금한 점이 GLMER 모델에도 적용됩니까?
Charlie Glez

1
@CarlosGlez, 예. 데이터를 시뮬레이션하고 분석 할 수있는 모든 모델에서 작동합니다. GLMER 모델에 대해이 작업을 수행했습니다.
Greg Snow

"가정 제어"외에도 "가정"질문을하고, 이러한 가정을 어 기고, 비정규 랜덤 효과가 실제로 효율성을 떨어 뜨리는 지 여부와 같은 실질적인 견고성을 판단 할 수 있다고 덧붙입니다.
AdamO
당사 사이트를 사용함과 동시에 당사의 쿠키 정책개인정보 보호정책을 읽고 이해하였음을 인정하는 것으로 간주합니다.
Licensed under cc by-sa 3.0 with attribution required.