วิธีจำลองการวิเคราะห์พลังงานที่กำหนดเองของ lm model (โดยใช้ R)


13

ต่อไปนี้เป็นคำถามที่ผ่านมาเรามีที่นี่

ฉันอยากจะรู้ว่าใครเคยเจอหรือสามารถแบ่งปันรหัส R เพื่อทำการวิเคราะห์พลังงานแบบกำหนดเองตามการจำลองสำหรับตัวแบบเชิงเส้น?

ต่อมาฉันอยากจะขยายไปยังรุ่นที่ซับซ้อนมากขึ้น แต่ดูเหมือนว่าจะเริ่มต้นได้ทันที ขอบคุณ

คำตอบ:


4

ฉันไม่แน่ใจว่าคุณต้องการการจำลองสำหรับแบบจำลองการถดถอยอย่างง่าย ตัวอย่างเช่นดูกระดาษพกพา สำหรับรุ่นที่ซับซ้อนยิ่งขึ้นโดยเฉพาะเอฟเฟกต์แบบผสมแพคเกจpammใน R ทำการวิเคราะห์พลังงานผ่านการจำลอง ดูโพสต์ของ Todd Jobe ที่มีรหัส R สำหรับการจำลอง


1
ลิงก์พกพาเสียหาย ถ้าใครสามารถอัพเดทลิงค์ได้ ขอบคุณ.
Brian P

3

นี่คือแหล่งที่มาของรหัสจำลองในอาร์ฉันไม่แน่ใจว่ามีโมเดลเชิงเส้นที่ระบุเฉพาะเจาะจงหรือไม่ แต่บางทีพวกเขาก็มีตัวอย่างเพียงพอที่จะรับส่วนสำคัญ:

มีอีกสองตัวอย่างของการจำลองที่ไซต์ต่อไปนี้:


0

ดัดแปลงจากแบบจำลองเชิงนิเวศน์และข้อมูลเชิงนิเวศน์ของ Bolker 2009 ในอาร์คุณต้องประกาศความแข็งแกร่งของแนวโน้ม (เช่นความชัน) ที่คุณต้องการทดสอบ เทรนด์ที่คาดเดายากและความแปรปรวนต่ำจะต้องใช้ตัวอย่างขนาดเล็กแนวโน้มอ่อนแอและความแปรปรวนขนาดใหญ่จะต้องใช้ขนาดตัวอย่างขนาดใหญ่

a = 2  #desired slope
b = 1  #estimated intercept
sd = 20  #estimated variability defined by standard deviation
nsim = 400  #400 simulations
pval = numeric(nsim)  #placeholder for the second for loop output
Nvec = seq(25, 100, by = 1)  #vector for the range of sample sizes to be tested
power.N = numeric(length(Nvec))   #create placeholder for first for loop output
for (j in 1:length(Nvec)) {
  N = Nvec[j]  
  x = seq(1, 20, length = Nvec[j])  #x value length needs to match sample size (Nvec) length
  for (i in 1:nsim) {   #for this value of N, create random error 400 times
    y_det = a + b * x
    y = rnorm(N, mean = y_det, sd = sd)
    m = lm(y ~ x)
    pval[i] = coef(summary(m))["x", "Pr(>|t|)"]  #all the p values for 400 sims
  }  #cycle through all N values
  power.N[j] = sum(pval < 0.05)/nsim  #the proportion of correct p-values (i.e the power)
}
power.N
plot(Nvec, power.N)  #need about 90 - 100 samples for 80% power

นอกจากนี้คุณยังสามารถจำลองแนวโน้มต่ำสุดที่คุณสามารถทดสอบสำหรับขนาดตัวอย่างที่กำหนดดังที่แสดงในหนังสือ

bvec = seq(-2, 2, by = 0.1)
power.b = numeric(length(bvec))
for (j in 1:length(bvec)) {
  b = bvec[j]
   for (i in 1:nsim) {
     y_det = a + b * x
     y = rnorm(N, mean = y_det, sd = sd)
     m = lm(y ~ x)
     pval[i] = coef(summary(m))["x", "Pr(>|t|)"]
     }
   power.b[j] = sum(pval < 0.05)/nsim
  }
 power.b
 plot(bvec, power.b)
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.