多个固定效应的 simR 功率模拟
simR power simulation for multiple fixed effects
我想根据使用试验数据的模拟来估计我所需的研究样本量。我的模型如下所示：
model1 <- glmer(decision ~ 1 + default + aest + obstruc + privatt + (1 + default + aest + obstruc | id), family = 'binomial', data = pilot_data)
simR 包提供了扩展给定数据集的可能性，然后在增加的数字（在我的例子中是参与者的数量）的不同阶段计算模型的功率，在功率曲线中可视化。我不想只测试一个固定效果（通过 fixed 函数），而是想同时 运行 powerCurve 我的三个主要效果（主要效果是：默认、aest 和 obstruc；privatt 是一个控制变量）。
我的想法是使用 fcompare 函数并将我的完整模型与空模型（仅截距）进行比较。
我的问题是：这个程序在统计上是否正确？最后我想检查我的功率曲线达到 80% 的位置并招募相应数量的参与者。
扩展数据集并生成功率曲线的代码如下所示：
model1_ext <- extend(model1, along='id', n='250')
pc_model1 <- powerCurve(model1_ext, fcompare(~ 1, method = 'pb'), along='id', nsim=1000 )
我怀疑您低估了所需的样本量。
您提出的测试要求 "are all of these effects, taken together, significant?"。但是，如果您想知道 特定的 效果是否显着，您需要从数据中获取更多信息，因此您可能需要更大的样本量。
您的样本量通常由您的 "hardest" 问题决定，因此我建议 运行 为每个效应设置单独的功效曲线。
如果您在模拟时间方面遇到问题，使用 'kr' 而不是 'pb' 可能没问题。该分析已经是一个近似值（因为我们永远不知道我们用于模拟的参数的 'true' 值）。如果您担心这两个测试可能会给出不同的结果，您可以在 powerSim.
的单个 运行 中使用 'pb' 仔细检查建议的样本量
我想根据使用试验数据的模拟来估计我所需的研究样本量。我的模型如下所示：
model1 <- glmer(decision ~ 1 + default + aest + obstruc + privatt + (1 + default + aest + obstruc | id), family = 'binomial', data = pilot_data)
simR 包提供了扩展给定数据集的可能性，然后在增加的数字（在我的例子中是参与者的数量）的不同阶段计算模型的功率，在功率曲线中可视化。我不想只测试一个固定效果（通过 fixed 函数），而是想同时 运行 powerCurve 我的三个主要效果（主要效果是：默认、aest 和 obstruc；privatt 是一个控制变量）。
我的想法是使用 fcompare 函数并将我的完整模型与空模型（仅截距）进行比较。
我的问题是：这个程序在统计上是否正确？最后我想检查我的功率曲线达到 80% 的位置并招募相应数量的参与者。
扩展数据集并生成功率曲线的代码如下所示：
model1_ext <- extend(model1, along='id', n='250')
pc_model1 <- powerCurve(model1_ext, fcompare(~ 1, method = 'pb'), along='id', nsim=1000 )
我怀疑您低估了所需的样本量。
您提出的测试要求 "are all of these effects, taken together, significant?"。但是，如果您想知道 特定的 效果是否显着，您需要从数据中获取更多信息，因此您可能需要更大的样本量。
您的样本量通常由您的 "hardest" 问题决定，因此我建议 运行 为每个效应设置单独的功效曲线。
如果您在模拟时间方面遇到问题，使用 'kr' 而不是 'pb' 可能没问题。该分析已经是一个近似值（因为我们永远不知道我们用于模拟的参数的 'true' 值）。如果您担心这两个测试可能会给出不同的结果，您可以在 powerSim.
'pb' 仔细检查建议的样本量