如果事先声明,可以动态增加样本数量吗?


13

我将研究一种刺激与受试者内部设计相比另一种刺激的优点。我有一个排列方案,旨在减少研究某些部分的顺序影响(任务类型顺序,刺激顺序,任务集顺序)。排列方案规定样本大小可被8整除。

要确定样本数量,我必须大胆猜测(在我的领域中是一个很好的传统),或者为我所需的功效计算样本数量。现在的问题是,我没有丝毫线索要观察多大的效果(这也是我所在领域的良好传统)。这意味着功率计算有些困难。另一方面,大胆猜测可能也是不好的,因为我要么得出的样本量太小,要么向参与者支付太多的钱,而在实验室中花费了太多的时间。

是否可以预先声明我分8个人加入参与者,直到我离开两个p值的通道?例如0.05 <p <0.30?或者,您会建议我如何继续?


2
听起来您可能正在顺序设计/分析领域中寻找某些东西。
主教

Answers:


9

首先,直接回答您的问题:不,您不能继续前进直到获得显着的p值。您建议的设计具有5%以上的I型错误率。但是,基本思想是正确的,除非您必须调整截止值。实际上,正如@cardinal在评论中提到的那样,您有一个需要研究的整个领域:这些被称为顺序设计或组顺序设计,或更笼统地说是自适应设计(它们不是相同的东西,但始终都是这样)。您的想法行)。

这里是一个参考,展示了一些基本思想:C. Mehta,P. Gao,DL Bhatt,RA Harrington,S. Skerjanec,JH Ware Optimizing Trial Design:Sequential,Adaptive和Enrichment Strategies Circulation。2009年;119:597-605


1
好的,听起来很有趣。我之前读过关于自适应设计的文章,但仅在一些幻灯片上读过,因此您提供的论文参考看起来确实很有用。
xmjx 2011年

6

您是否考虑过考虑各种效果大小的力量?例如,我经常以曲线的形式计算功效,最后得出无数种潜在的情况,将其烘焙到图中,然后我可以做出样本量决策。例如,我可能会计算效果度量所需的样本数量,范围从非常接近零到略高于我最疯狂的通过同行评审的梦想。

我可能还积其他情况下,这取决于我有多少知道的数据。例如,下面是一个计算功效而不是样本大小的图,但概念与此相似。我对数据了解甚少,因此我假设生存分析的事件发生率为10%,然后在多种条件下计算了研究的功效(样本大小固定):

功率曲线

在这种情况下,一个人甚至还可以改变事件的数量,这将使您留下多个绘图或一个“ Power Surface”。这似乎是一种快速处理方法,至少可以在需要查找样本量的地方进行处理,而不是即时修改样本量。或者至少给您一个可以停止增加人员的门槛。例如,如果您的计算结果告诉您1,000个人,那么您会看到很小的影响-例如,危险比为1.01或类似的数字-您知道,如果达到此目标,您就可以停止尝试增加人员,因为它不是电源问题,而是“那里什么也没有”的问题。


1
真是个好主意。虽然我支持@Aniko的答案,因为它可以直接解决我的问题,但您的建议在短期内肯定会更有用。我认为我需要花一些时间来思考顺序策略。
xmjx 2011年

3

在进行功率计算时,我通常会问的一个问题(在我的领域中,也有这些传统)往往是“人们需要照顾多少影响?”。如果您的方法“显着”好于0.1%,那么有人会在乎吗?0.01%的改善如何?


我将使用这种思路来为@EpiGrad的功率图提供一个起点。
xmjx 2011年
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.