Me pregunto si hay algún método para calcular el tamaño de la muestra en modelos mixtos. Estoy usando lmer
R para ajustar los modelos (tengo pendientes e intercepciones aleatorias).
Me pregunto si hay algún método para calcular el tamaño de la muestra en modelos mixtos. Estoy usando lmer
R para ajustar los modelos (tengo pendientes e intercepciones aleatorias).
Respuestas:
El longpower
paquete implementa los cálculos del tamaño de la muestra en Liu y Liang (1997) y Diggle et al (2002). La documentación tiene un código de ejemplo. Aquí hay uno, usando la lmmpower()
función:
> 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
Compruebe también liu.liang.linear.power()
que " realiza el cálculo del tamaño de muestra para un modelo mixto lineal"
Liu, G. y Liang, KY (1997). Cálculos de tamaño de muestra para estudios con observaciones correlacionadas. Biometrics, 53 (3), 937-47.
Diggle PJ, Heagerty PJ, Liang K, Zeger SL. Análisis de datos longitudinales. Segunda edicion. Oxford Ciencia Estadística Serires. 2002
Editar: Otra forma es "corregir" el efecto de la agrupación. En un modelo lineal ordinario, cada observación es independiente, pero en presencia de agrupamiento, las observaciones no son independientes, lo que puede considerarse como tener menos observaciones independientes: el tamaño efectivo de la muestra es menor. Esta pérdida de efectividad se conoce como el efecto de diseño :
Para cualquier cosa más allá de las simples pruebas de 2 muestras, prefiero usar la simulación para el tamaño de la muestra o los estudios de potencia. Con las rutinas preempaquetadas, a veces puede ver grandes diferencias entre los resultados de los programas en función de los supuestos que están haciendo (y es posible que no pueda descubrir cuáles son esos supuestos, y mucho menos si son razonables para su estudio). Con la simulación, controlas todos los supuestos.
Aquí hay un enlace a un ejemplo:
https://stat.ethz.ch/pipermail/r-sig-mixed-models/2009q1/001790.html