如何确定重复测量方差分析所需的样本量？

我需要有关重复测量方差分析的一些帮助。

我们正在调查某些病房中某些干预措施对降低血流感染（BSI）率的影响。我们计划每月获取一次BSI费率信息，首先是在没有干预的情况下12个月，然后在有干预的情况下12个月。

我们正在考虑进行时间序列或重复测量方差分析，在我对第一个方法没有太多想法之前，我希望使用后一个方法（额外的问题：时间点太少了吧？），但是接下来另一个问题是，我们需要多少病房才能证明干预对BSI率确实有统计学上的显着影响？

我想我要进行两个ANOVA，一个用于“干预之前”，一个用于“干预期间”，并且我认为“ ANOVA”在“干预之前”不应进行显着的F比率检验。

我二维地考虑“样本量”一词，无论是病房数还是重复测量数。

如何对重复测量方差分析进行功率分析？

G * Power 3是免费软件，提供了用户友好的GUI界面来执行功率计算。它支持针对重复测量方差分析的功率计算。

什么是适合您的设计的分析？

以下是与您提到的内容有关的一系列要点：

• 更多的时间点会更清楚地表明您的干预效果（如果有的话）随着时间的推移如何运作。因此，如果改进随着时间推移而衰减或变得更大，则更多的时间点将使这些模式在平均水平和个体水平上都更加清晰。
• 如果您有12个或更多的时间点，那么我将研究多级建模，尤其是在您期望缺少任何观察结果的情况下。您不太可能对时间的影响感兴趣。相反，您可能会对各种特定的效果感兴趣（例如，干预前后的变化；干预后的线性或二次改善效果）。您还可以考虑在重复测量方差分析的基础上使用计划的对比。应用的纵向数据分析：对变化和事件发生进行建模是学习重复测量数据的多级建模的一个很好的起点。
• 事前和事后的时间点数量并不会增加您检测干预效果的能力。更多的时间点将增加您的测量可靠性，并且可以确保您捕获影响作用的时间段，但更大的问题可能是两种情况下的样本量。
• 假设您确实是在根据情况随机分配个案，那么根据定义，总体上因变量是相等的，并且有人可能会认为基线差异的显着性检验是没有意义的。话虽如此，研究人员仍然经常这样做，而且我想它确实提供了一些证据表明确实发生了随机分配。
• 关于干预前干预后控制设计中测试干预效果的最佳方法的争论很多。一些选择包括：（a）条件*时间相互作用；（b）条件的影响，但仅在干预后；（c）ANCOVA观察条件的影响，控制前，后为DV。