Questions tagged «power-analysis»

比例的两样本比较，样本大小估计：R vs Stata 对于样本量，我得到了不同的结果，如下所示： 在R中 power.prop.test(p1 = 0.70, p2 = 0.85, power = 0.90, sig.level = 0.05) 结果： n = 160.7777ñ=160.7777n = 160.7777 （因此161）。 在Stata sampsi 0.70 0.85, power(0.90) alpha(0.05) 结果： n = 174ñ=174n = 174 每组。 为什么会有所不同？谢谢。 顺便说一句，我在SAS JMP中运行了相同的样本量计算，结果：（几乎与R结果相同）。n = 160ñ=160n = 160

10 r  stata  sample-size  power-analysis  jmp 

赠款通常需要进行功效分析以支持建议的样本量。在蛋白质组学（和大多数组学）中，在10个样本（可能是100个，但不太可能）中测量的特征/变量为100到1000。同样，众所周知，其中一些测量单位（例如，蛋白质的光谱计数）不是正态分布的，因此我们将使用非参数检验进行分析。我已经看到了假设进行单次测量和进行t检验而确定的样本量的功效，但是我认为这是不完全正确的。特别是频谱计数的另一个问题是，每100个特征的比例都在非常不同的尺度上，并且误差相差很大（数值越大，误差就越小）。[这个问题在极限倍数变化模型中很好地描述，Mutch等，2002 ] 考虑到FDR的某些假设和可接受的倍数变化，确定建议样本量的功效的合适方法是什么？使用此处的工具，我能够确定以下各项： 300个基因 3次误报 1.4倍差异 0.8所需功率 0.7标准差 每组需要49个样本。 这很方便，因为我提出了50v50设计，知道1.4倍变化是可以接受的，1％FDR是可以的，并且在这个实验中我可能会测量300种蛋白质。功效或样本数量计算的问题将继续发生，因此最好采用参考方法。 编辑： 我读到一位同事提议使用似然函数和Wald检验从负二项式分布建模光谱计数的地方。基本上使用预备数据来获得蛋白质差异估算值，然后针对每个分位数计算组之间可检测到的倍数变化。还有一个FDR（alpha）输入。因此，给定> 80％的功效并设置样本大小，他们可以针对25％的最低方差，50％的较小方差和25％的最高方差确定可检测的倍数变化。问题是我不知道他们是怎么做到的。不确定是否共享这种方法是否可以帮助任何人找到答案。

9 nonparametric  power-analysis 

我收到了一篇报道我的研究非常类似于我实验室希望进行的研究的文章。但是，我注意到，对于感兴趣的变量“持续时间”，SD大于平均值...因为这是以分钟为单位的持续时间，所以它永远不会为负，这对我来说似乎很奇怪。据报道有2项研究发生了这种情况，以下是其中一项。 除此之外，这是一个混合设计。对照v处理（组之间）和时间1，时间2，时间3（重复测量）。这是平均值（SD），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) ...他们进行了方差分析，报告p <.001。 我被要求以此为基础进行功效分析，以确定我们研究的样本量。我很确定这表明数据不正常或有异常值，因此我不愿意根据此来确定样本量。我离基地不远吗？

9 standard-deviation  power-analysis 

我想评估R中不同样本量的正态性检验的准确性（我意识到正态性检验可能会产生误导）。例如，要查看Shapiro-Wilk检验，我正在进行以下模拟（以及绘制结果），并希望随着样本数量的增加，拒绝null的可能性降低： 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) 我的想法是，随着样本数量的增加，拒绝率应该会降低，但是看起来相当一致。我想我对此有误解-任何想法都欢迎。

9 r  simulation  power-analysis  normality-assumption