คำถามติดแท็ก power-analysis

การเปรียบเทียบสองตัวอย่างของสัดส่วนการประมาณขนาดตัวอย่าง: R กับ Stata ฉันได้ผลลัพธ์ที่แตกต่างกันสำหรับขนาดตัวอย่างดังนี้: ในอาร์ power.prop.test(p1 = 0.70, p2 = 0.85, power = 0.90, sig.level = 0.05) ผลลัพธ์: (ดังนั้น 161) สำหรับแต่ละกลุ่มn = 160.7777n=160.7777n = 160.7777 ในStata sampsi 0.70 0.85, power(0.90) alpha(0.05) ผลลัพธ์:สำหรับแต่ละกลุ่มn = 174n=174n = 174 ทำไมถึงแตกต่าง ขอบคุณ BTW ฉันรันการคำนวณขนาดตัวอย่างเดียวกันในSAS JMPผลลัพธ์: (เกือบจะเหมือนกับผลลัพธ์ R)n = 160n=160n = 160

10 r  stata  sample-size  power-analysis  jmp 

แกรนต์มักต้องการการวิเคราะห์พลังงานเพื่อสนับสนุนขนาดตัวอย่างที่เสนอ ในโปรตีโอมิกส์ (และส่วนใหญ่ -omics) มีคุณลักษณะ / ตัวแปร 100 ถึง 1,000 รายการที่วัดจาก 10 ตัวอย่าง (อาจเป็น 100 แต่ไม่น่าเป็นไปได้) นอกจากนี้เป็นที่ทราบกันว่าหน่วยการวัดเหล่านี้บางส่วน (เช่นจำนวนสเปกตรัมของโปรตีน) ไม่ได้มีการแจกจ่ายตามปกติดังนั้นเราจะใช้การทดสอบแบบไม่มีพารามิเตอร์เพื่อการวิเคราะห์ ฉันเห็นพลังของขนาดตัวอย่างที่กำหนดไว้โดยใช้การวัดเดี่ยวและสมมติว่าเป็นการทดสอบ t แต่ฉันไม่คิดว่าสิ่งนี้จะถูกต้องทั้งหมด ปัญหาอีกประการหนึ่งเกี่ยวกับการนับสเปคตรัมโดยเฉพาะคือแต่ละคุณสมบัติ 100 อยู่ในระดับที่แตกต่างกันมากที่มีข้อผิดพลาดแตกต่างกันอย่างมาก (ค่าที่มากขึ้นมีข้อผิดพลาดน้อยกว่า) [ปัญหานี้ได้รับการอธิบายไว้เป็นอย่างดีในโมเดลการเปลี่ยนแปลงการ จำกัด การพับMutch และคณะ, 2002 ] อะไรจะเป็นวิธีที่เหมาะสมในการกำหนดพลังของขนาดตัวอย่างที่เสนอเนื่องจากสมมติฐานบางอย่างของ FDR และการเปลี่ยนแปลงแบบพับได้ที่ยอมรับได้ การใช้เครื่องมือที่นี่ฉันสามารถระบุได้ดังนี้: 300 ยีน 3 บวกเท็จ 1.4 ความแตกต่างของการพับ 0.8 กำลังที่ต้องการ 0.7 stdev ต้องการขนาดตัวอย่างต่อกลุ่ม 49 สิ่งนี้มีประโยชน์ตั้งแต่ฉันเสนอการออกแบบ 50v50 …

9 nonparametric  power-analysis 

ฉันได้รับบทความรายงานการศึกษาที่คล้ายกับห้องแล็บที่ฉันต้องการเรียกใช้ แต่ฉันสังเกตเห็นว่าสำหรับตัวแปรที่น่าสนใจระยะเวลาเอกสารความปลอดภัยมีขนาดใหญ่กว่าค่าเฉลี่ย ... เนื่องจากนี่คือระยะเวลาที่วัดได้ในหน่วยนาทีมันจะไม่มีทางลบและสิ่งนี้ดูแปลกสำหรับฉัน เรื่องนี้เกิดขึ้นใน 2 รายงานการศึกษาด้านล่างเป็นหนึ่ง ยิ่งไปกว่านั้นนี่คือการออกแบบผสม ควบคุมการรักษา (ระหว่างกลุ่ม) และเวลา 1, เวลา 2, เวลา 3 (วัดซ้ำ) นี่คือค่าเฉลี่ย (SDs), N> 200 Time1 Time2 Time3 Control 15.1 (14.6) 14.4 (14.8) 13.3 (15.7) Treatment 14.8 (13.2) 10.0 (12.2) 8.2 (9.9) ... พวกเขาใช้ ANOVA และรายงาน p <.001 ฉันถูกขอให้ใช้สิ่งนี้เป็นพื้นฐานสำหรับการวิเคราะห์พลังงานเพื่อกำหนดขนาดตัวอย่างสำหรับการศึกษาของเรา ฉันค่อนข้างแน่ใจว่าสิ่งนี้บ่งชี้ว่าข้อมูลไม่ปกติหรือมีค่าผิดปกติและฉันรู้สึกไม่สะดวกใจที่จะกำหนดขนาดตัวอย่างตามสิ่งนี้ ฉันเพิ่งจะออกจากฐาน?

9 standard-deviation  power-analysis 

ฉันต้องการประเมินความถูกต้องของการทดสอบภาวะปกติมากกว่าขนาดตัวอย่างที่แตกต่างกันใน R (ฉันรู้ว่าการทดสอบภาวะปกติอาจทำให้เข้าใจผิด ) ตัวอย่างเช่นหากต้องการดูการทดสอบของ Shapiro-Wilk ฉันกำลังทำการจำลองต่อไปนี้ (เช่นเดียวกับการวางแผนผลลัพธ์) และคาดว่าเมื่อขนาดตัวอย่างเพิ่มความน่าจะเป็นที่จะปฏิเสธการปฏิเสธจะลดลง: n <- 1000 pvalue_mat <- matrix(NA, ncol = 1, nrow = n) for(i in 10:n){ x1 <- rnorm(i, mean = 0, sd = 1) pvalue_mat[i,] <- shapiro.test(x1)$p.value } plot(pvalue_mat) ความคิดของฉันน่าจะเป็นว่าเมื่อขนาดของกลุ่มตัวอย่างเพิ่มขึ้นควรมีอัตราการปฏิเสธที่ต่ำกว่า ฉันคิดว่าฉันเข้าใจผิด - ยินดีต้อนรับทุกความคิด

9 r  simulation  power-analysis  normality-assumption