58. Karma model için benzetim tabanlı güç analizi (simr)
Şablon kimliği: karma_guc_benzetimi · Kategori: benzetim · Dil: R · Dosya: pro/sablonlar/benzetim/karma_guc_benzetimi.R (satır 1–238; üstbilgi 1–115) · Örnek veri: _ornek/simdata.csv · Paketler: simr 1.0.11, lme4 2.0-6, pbkrtest 0.5.5 (Satterthwaite testi için lmerTest 3.2-1)
58.1 Ne işe yarar
Şablon, kümelenmiş ya da tekrarlı ölçümlü bir çalışmada bir sabit etkinin testinin gücünü benzetimle kestirir. Cevapladığı soru şudur: "Elimde küçük bir pilot veri var. Asıl çalışmada etki şu büyüklükte, kümeler arası değişkenlik şu kadar olursa, bu tasarımla (ya da şu kadar kümeyle) etkiyi yüzde kaç olasılıkla anlamlı bulurum?"
Model, rastgele kesişimli karma modeldir:
- g=1,\dots,G: küme (denek, okul, parsel); i: küme içindeki gözlem. Toplam gözlem sayısı N.
- b_g: kümenin rastgele kesişimi; \sigma_b^2 küme varyansıdır. Aynı kümenin gözlemleri b_g'yi paylaştığı için birbiriyle ilişkilidir.
- \varepsilon_{gi}: artık; \sigma artık standart sapmasıdır.
- Sınanan hipotez H_0:\beta_j=0'dır; j, formda "gücü hesaplanacak etki" olarak seçilen değişkendir.
- Poisson ve ikili yanıtta aynı doğrusal yordayıcı log ya da lojit bağlantısıyla kullanılır; \sigma yoktur.
Karma modelde gücün genel bir kapalı formülü yoktur: güç, tasarımın biçimine (kaç küme, küme başına kaç gözlem, etki küme içinde mi kümeler arasında mı değişiyor), iki varyans bileşenine ve kullanılan teste birlikte bağlıdır. Şablon bu yüzden pilot verinin tasarımını alır, parametreleri kullanıcının varsayımlarıyla değiştirir, bu modelden yapay yanıtlar üretir ve her birinde modeli yeniden kurup testi uygular (Green ve MacLeod, 2016).
Ne zaman kullanılır?
- Kümelenmiş, boylamsal ya da bloklu bir çalışma planlanıyorsa ve tasarımı temsil eden küçük bir veri (pilot ya da elle kurulmuş bir tasarım tablosu) varsa.
- "Kaç küme gerekir" sorusu soruluyorsa: küme sayısı artırılarak güç eğrisi çizilir.
- Sayım ya da ikili yanıtlı karma modelde güç gerekiyorsa.
- Doğrusal karma modelde benzetimin sonucu analitik bir değerle karşılaştırılmak isteniyorsa.
Ne zaman kullanılmaz?
- Gözlemler bağımsızsa: temel programdaki Güç Analizi; kapalı formülü olmayan bağımsız gözlemli tasarımlar için
guc_benzetim(Bölüm 57). - Rastgele eğim, iç içe ya da çapraz rastgele etkiler gerekiyorsa: şablon yalnız tek bir rastgele kesişim kurar. Daha zengin yapılar için model
lme4ile elle kurulupsimrişlevleri Kod sekmesinde doğrudan çağrılır. - Veri toplandıktan sonra "elde ettiğim etkiyle gücüm neydi" sorusu için: şablon bunu hesaplar ama sonuç p değerinin başka bir yazımıdır (58.4.2).
- Asıl amaç modeli kurup yorumlamaksa: temel programdaki Doğrusal Karma Model (LMM) ve GLMM; ileri seçenekler için
glmer_ileri(Bölüm 19).
Temel programla ilişki. Temel programın Güç Analizi menüsü bağımsız gözlemli testler içindir; karma model gücü orada yoktur. Temel programdaki Doğrusal Karma Model analizi bu şablonun "pilot model" adımının karşılığıdır: aynı veride aynı sabit etki ve varyans bileşeni kestirimleri elde edilir.
58.2 Şablonun girdileri
Form, üstbilgideki on beş [[param]] bloğundan kurulur (karma_guc_benzetimi.R:11–114).
| Alan (form etiketi) · ad | Tür · sekme | Varsayılan | Geçerli değerler | Kodda etkisi |
|---|---|---|---|---|
Yanıt · y |
sayısal sütun · Değişkenler | ilk sayısal sütun | sayısal sütun | Modelin sol tarafı (128, 144). |
Sabit etkiler · x |
sütunlar · Değişkenler | boş | en az 1 sütun | Sağ tarafın toplamsal terimleri (121, 144). Kategorik sütun etken olarak girer (136). |
Gücü hesaplanacak etki · etki |
sayısal sütun · Değişkenler | uygun sayısal sütun | sabit etkilerden biri, sayısal | Sınanan katsayı (123, 141, 199). |
Küme (rastgele kesişim) · grup |
kategorik sütun · Değişkenler | ilk kategorik sütun | herhangi bir sütun | (1 \| küme) terimi (132, 144). |
Yanıt dağılımı · aile |
seçim · Model | gaussian |
gaussian, poisson, binomial |
lmer ya da glmer (149–150). |
Varsayılan etki büyüklüğü · etki_buyuklugu |
ondalık · Model | 0 | −10⁶ – 10⁶ | 0 değilse katsayının yerine konur (154). 0 = pilot kestirim. |
Girilen etki büyüklüğünü her zaman kullan · etki_sabit |
onay · Model | kapalı | açık / kapalı | Açıksa etki 0 da olsa kullanılır (154). |
Varsayılan küme varyansı · kume_varyansi |
ondalık · Model | 0 | 0 – 10⁶ | 0'dan büyükse \sigma_b^2'nin yerine konur (155). 0 = pilot kestirim. |
Varsayılan artık SS · artik_sd |
ondalık · Model | 0 | 0 – 10⁶ | Yalnız normal yanıt; 0'dan büyükse \sigma'nın yerine konur (156). 0 = pilot kestirim. |
Benzetim sayısı · nsim |
tamsayı · Seçenekler | 1000 | 10 – 20000 | Yapay yanıt sayısı (200, 217). |
Anlamlılık düzeyi α · alfa |
ondalık · Seçenekler | 0,05 | 0,001 – 0,5 | Reddetme eşiği ve analitik güçteki kritik değer (195, 200). |
Güç eğrisi için küme sayıları · kume_sayilari |
metin · Çıktı | boş | 3–500 arası tamsayılar; virgül, noktalı virgül ya da boşlukla ayrılır | Boş değilse güç eğrisi (209–235). |
Anlamlılık testi · test_yontemi |
seçim · Model | otomatik |
otomatik, kr, sa, lr, z |
Otomatik: normal yanıtta Kenward-Roger, ötekilerde Wald z (198). |
Pilot normal modelde REML · reml |
onay · Model | açık | açık / kapalı | Kapalıysa pilot model en çok olabilirlikle kurulur (149). |
Güç güven aralığı düzeyi · guven |
ondalık · Seçenekler | 0,95 | 0,5 – 0,999 | Clopper-Pearson aralığı (202, 219). |
Örnek ayar (ornek_param, satır 9): y = y, x = [x], etki = x, grup = g, aile = gaussian, etki_buyuklugu = −0,1, kume_varyansi = 0, artik_sd = 0, nsim = 40, alfa = 0,05, kume_sayilari = "3, 6". Etki −0,1 olarak varsayılır; iki varyans bileşeni pilot kestirimlerdir (11,14 ve 0,986). Benzetim sayısı hız için 40'tır; varsayılan 1000'dir.
Şablonun kendi denetimleri.
| Koşul | İleti (özet) | Satır |
|---|---|---|
| Veri açık değil | "Önce Veri sekmesinde bir veri açın." | 120 |
| Yanıt ve küme çıkarılınca sabit etki kalmadı | "Yanıt ve kümeden farklı en az bir sabit etki seçin." | 122 |
| Etki, sabit etkiler arasında değil | "Gücü hesaplanacak etki, sabit etkiler arasında olmalı." | 123 |
| Tam satır sayısı 10'dan az | "En az 10 tam satır gerekli." | 127 |
| Yanıt sayısal değil ya da sabit | "Yanıt sayısal ve değişken olmalı." | 129 |
| Poisson seçili; yanıt negatif ya da kesirli | "Poisson yanıtı negatif olmayan tamsayı olmalı." | 130 |
| İkili seçili; yanıt 0/1 değil | "İkili yanıt 0/1 olmalı." | 131 |
| Küme düzeyi 3'ten az | "Kümede en az 3 düzey gerekli." | 133 |
| Satır sayısı küme sayısını aşmıyor | "Kümelerde tekrarlı gözlem yok." | 134 |
| Bir sabit etki sabit | "'…' sabit; sabit etkilerden çıkarın." | 139 |
| Etki değişkeni sayısal değil | "Gücü hesaplanacak etki sayısal bir değişken olmalı." | 141 |
| Normal dışı yanıtta Kenward-Roger ya da Satterthwaite | "… testleri yalnız normal yanıtta kullanılabilir." | 148 |
| Pilot model kurulamadı | "Pilot model kurulamadı: …" | 151 |
| Etki katsayısı kestirilemedi | "Etki katsayısı kestirilemedi (eş doğrusallık?)." | 153 |
| Güç benzetimi hata verdi | "Güç benzetimi başarısız: …" | 176 |
| Küme sayılarında 3'ten küçük ya da sayı olmayan değer | "Küme sayıları 3 ya da daha büyük tamsayılar olmalı (ör. 3, 6, 10)." | 187 |
| En büyük küme sayısı 500'den çok | "Küme sayısı en çok 500 olabilir." | 189 |
| Güç eğrisi hata verdi | "Güç eğrisi hesaplanamadı: …" | 193 |
Çalıştırmayı durdurmayan üç uyarı çıktının sonuna "Uyarılar:" satırıyla eklenir: pilot küme varyansı sıfır kestirildiyse (161), bazı benzetimlerde model kurulamadıysa (236) ve lme4 ile simr'in kendi uyarıları (146, 212). Yanıtı, bir sabit etkisi ya da kümesi eksik olan satır atılır (126).
Üç alanda 0, "sıfır" değil "pilot kestirimi kullan" demektir
Etki büyüklüğü, küme varyansı ve artık standart sapması alanlarında 0, o parametrenin pilot veriden kestirilen değerinin kullanılacağını söyler (154–156). Etki için gerçek sıfır, "Girilen etki büyüklüğünü her zaman kullan" kutusu işaretlenerek girilir; o zaman kestirilen "güç" I. tür hata oranıdır. Küme varyansı ve artık standart sapması için böyle bir kutu yoktur: sıfır küme varyansı varsayımı girilemez (çok küçük pozitif bir değer girilebilir). Etki alanı 0 bırakılıp kutu işaretlenmezse şablon pilot kestirimin kendisiyle çalışır ve "gözlenen güç" hesaplar (58.4.2).
Sütun türleri
Yanıt ve gücü hesaplanacak etki veri sekmesinde "sayısal" türde olmalıdır. "Kategorik" türdeki bir sütun R'ye etken olarak gelir; şablon bu durumda yanıt için "Yanıt sayısal ve değişken olmalı.", etki için "Gücü hesaplanacak etki sayısal bir değişken olmalı." iletisiyle durur. Öteki sabit etkiler kategorik olabilir: modele etken olarak girer ve düzey sayısının bir eksiği kadar katsayı tüketir. Örnek veride z sütunu kategorik türle ikinci sabit etki olarak eklendiğinde sekiz düzey yedi katsayı alır ve x için Kenward-Roger serbestlik derecesi 26'dan 19'a iner.
58.3 Örnek veri
_ornek/simdata.csv. simr paketinin örnek verisi (Green ve MacLeod, 2016): 3 küme × 10 gözlem = 30 satır, eksik değer yok.
| Değişken | Rol | Tür (veri sekmesi) | Özet |
|---|---|---|---|
y |
Yanıt | sayısal | 5,78–14,51; ortalama 9,35. |
x |
Sabit etki (sınanan) | sayısal | Her kümede 1, 2, …, 10. |
g |
Küme | kategorik | a, b, c; her biri 10 gözlem. |
z |
kullanılmaz (Poisson çalıştırmasında yanıt) | sayısal | Sayım: 0–9; ortalama 2,73. |
Küme düzeylerinin sırası a, b, c'dir. Sıra factor() ile kurulur: sütun Veri sekmesinde etken (kategorik) türdeyse kullanıcının düzey sırası, sayısal ya da metin türündeyse sayısal ya da alfabetik sıra (burada ikisi aynı). Sıra iki yerde etkilidir: benzetimde küme etkileri bu sırayla çekilir ve güç eğrisinde "ilk k küme" hem benzetimde hem analitik sütunda bu sıraya göre seçilir (58.4.7).
Küme ortalamaları 7,14; 7,71 ve 13,21'dir: üçüncü küme ötekilerden çok yüksektir. Pilot modelin kestirimleri bunu yansıtır:
| Parametre | Pilot kestirim (REML) |
|---|---|
| \hat\beta_x | −0,2398 |
| \hat\sigma_b^2 (küme varyansı) | 11,1356 |
| \hat\sigma (artık SS) | 0,9858 |
Üç kümeden kestirilen küme varyansı güvenilmezdir
Küme varyansı üç sayının (küme ortalamalarının) değişkenliğinden kestirilir: iki serbestlik derecesi vardır. 11,14 değeri bir kümenin uç düşmesinin sonucudur ve 0,92'lik bir küme içi korelasyona karşılık gelir. Pilot veri küçükse varyans bileşenleri pilot kestirimden değil, alan bilgisinden ya da yayımlanmış çalışmalardan alınır ve forma açıkça yazılır. Bu bölümdeki asıl çalıştırmalar küme varyansı 0,5 ve artık standart sapması 1 varsayımıyla yapılmıştır.
Bu bölümde kullanılan çalıştırmalar (aksi belirtilmedikçe tohum 2026, test Kenward-Roger): (1) örnek ayar; (2) varsayımlar \beta=-0{,}1, \sigma_b^2=0{,}5, \sigma=1; nsim = 1000; küme sayıları 3, 6, 12; (3) aynı varsayımlar, sıfır etki ("her zaman kullan" açık), nsim = 1000; (4) aynı varsayımlar, Wald z (nsim = 1000), Satterthwaite ve olabilirlik oranı (nsim = 200); (5) etki alanı 0, kutu kapalı (pilot etki); (6) REML kapalı; (7) güven düzeyi 0,90; (8) örnek ayar, tohum 7 ve tohumsuz iki çalıştırma; (9) Poisson: y = z, etki −0,05; (10) ikili yanıt (medyandan bölünmüş y), etki −0,3; (11) z kategorik türle ikinci sabit etki.
58.4 Yöntem: formüller ve hesap adımları
Hesap sırası: (1) eksik satırları at, denetle, pilot modeli kur; (2) etki, küme varyansı ve artık standart sapmasını varsayımlarla değiştir; (3) değiştirilmiş modelden nsim yapay yanıt üret, her birinde modeli yeniden kur ve etkiyi sına; (4) gücü ve Clopper-Pearson aralığını hesapla; (5) normal yanıtta analitik gücü hesapla; (6) isteniyorsa tasarımı daha çok kümeye genişlet ve güç eğrisini çıkar.
58.4.1 Pilot model
Normal yanıtta model sınırlı en çok olabilirlikle (REML) kestirilir. \mathbf V=\sigma_b^2\mathbf Z\mathbf Z^{\top}+\sigma^2\mathbf I gözlemlerin kovaryans matrisi olmak üzere:
- \mathbf X: sabit etkilerin tasarım matrisi (N\times p); \mathbf Z: küme gösterge matrisi (N\times G).
- \ell_R: sınırlı log olabilirlik; \sigma_b^2 ve \sigma^2 bunu en büyük yapan değerlerdir.
- \hat{\boldsymbol\beta}: genelleştirilmiş en küçük kareler kestirimi.
Neden REML?
En çok olabilirlik (ML) varyans bileşenlerini kestirirken sabit etkilerin de veriden kestirildiğini hesaba katmaz ve varyansları küçük kestirir. Az kümede fark büyüktür: örnek veride küme varyansı REML ile 11,14, ML ile 7,39'dur (oran 0,66; üç kümede beklenen (G-1)/G=2/3). Pilot kestirimler benzetimin girdisi olduğundan yansız olanı yeğlenir. Ayrıca Kenward-Roger testi REML uyumu ister.
Koddaki tercih
Model lme4::lmer(y ~ x1 + … + (1 | .kume), data = d) ile kurulur; REML kapalıysa REML = FALSE eklenir (149). Poisson ve ikili yanıtta lme4::glmer(…, family = …) kullanılır (150): Laplace yaklaşımıyla en çok olabilirlik, bağlantı işlevi ailenin varsayılanı (log, lojit). Küme sütunu factor() ile etkene çevrilir (132); değişken adları make.names ile R'de geçerli adlara dönüştürülür (142–143). lme4'ün uyarıları yakalanır ve çıktının sonunda gösterilir (146).
58.4.2 Varsayımlar: neyin gücü hesaplanıyor?
Pilot modelin tasarımı (\mathbf X, \mathbf Z) ve öteki sabit etkileri korunur; üç parametre kullanıcının girdiği değerle değiştirilir:
- Değiştirilmeyen parametreler pilot kestirimde kalır: kesişim, öteki sabit etkiler ve 0 bırakılan alanlar.
- Benzetim bu "varsayım modeli"nden yapılır; pilot verinin yanıt değerleri bundan sonra kullanılmaz.
Etki neden pilot kestirimden alınmamalı?
Pilot kestirimle hesaplanan güç "gözlenen güç"tür: pilot verideki p değerinin tekdüze bir dönüşümüdür ve yeni bilgi taşımaz (Hoenig ve Heisey, 2001). Pilot etki anlamlıysa güç yüksek, değilse düşük çıkar. Küçük pilotlarda kestirim ayrıca çok oynaktır ve anlamlı çıkan pilotlar etkiyi abartır. Örnek veride pilot etki −0,2398 ile güç 0,95 bulunur; -0{,}1 varsayımıyla analitik güç 0,34'tür. Güç analizinde etki, saptanması anlamlı olan en küçük etki olarak kuramdan ya da alandan seçilir. Şablon pilot etkiyle çalıştığında simr'in "This appears to be an "observed power" calculation" uyarısını çıktıya ekler.
Koddaki tercih
Değişiklikler simr'in atama işlevleriyle yapılır: fixef(m)[etki] <- … (154), VarCorr(m) <- … (155), sigma(m) <- … (156). Bu işlevler model nesnesinin katsayı ve göreli kovaryans alanlarını yerinde değiştirir; model yeniden kurulmaz. İlk tablo ("Pilot kestirimler ve benzetim varsayımları") her parametrenin pilot değerini ve benzetimde kullanılan değerini yan yana yazar (157–160).
58.4.3 Bir benzetim adımı
- u_g: kümenin standart normal çekilişi; \sigma_bu_g kümenin rastgele kesişimidir.
- e_{gi}: gözlemin standart normal çekilişi.
- Her benzetimde önce G küme çekilişi (düzey sırasıyla), sonra N artık çekilişi (satır sırasıyla) yapılır.
- Poisson'da y^{*}\sim\text{Poisson}(e^{\eta}), ikili yanıtta y^{*}\sim\text{Bernoulli}(1/(1+e^{-\eta})); \eta=\mathbf x^{\top}\boldsymbol\beta+\sigma_bu_g.
Yapay yanıt pilot verinin yanıt sütununun yerine konur, model aynı çağrıyla yeniden kurulur ve seçilen test uygulanır. Bu, nsim kez yinelenir.
Koddaki tercih
Döngü simr::powerSim(m, test = fixed(etki, yöntem), nsim = nsim, alpha = alfa) çağrısıdır (200). powerSim her adımda lme4'ün simulate işleviyle yanıt üretir, modeli yeniden kurar, p değerini saklar. Bir adımda model kurulamaz ya da test hata verirse o adımın p değeri boş kalır ve adım reddetmeme sayılır: güç, anlamlı adım sayısının nsim'e bölümüdür. Hatalı adım sayısı tablonun hata sütununda ve uyarı satırında verilir (205, 236). Rastgele sayı tohumu şablonda değil, yürütücüde atanır (Bölüm 1.3): aynı tohum aynı sonucu verir.
58.4.4 Testler
Normal yanıtta varsayılan test Kenward-Roger F testidir. Tek bir katsayı için:
- \hat{\boldsymbol\Phi}: sabit etkilerin olağan kovaryans kestirimi; varyans bileşenlerini bilinen sayar.
- \hat{\boldsymbol\Lambda}: varyans bileşenlerinin kestirilmiş olmasından gelen düzeltme; \hat{\boldsymbol\Phi}_A düzeltilmiş kovaryanstır.
- m: payda serbestlik derecesi, \lambda: ölçek çarpanı; ikisi de F istatistiğinin ilk iki momenti bir F dağılımına eşlenerek bulunur (Kenward ve Roger, 1997).
Neden Kenward-Roger?
Karma modelde \hat\beta_j/\operatorname{SH} oranının kesin dağılımı bilinmez; serbestlik derecesi "gözlem sayısı eksi parametre" değildir, çünkü etkinin hangi düzeyde (küme içi, kümeler arası) değiştiğine bağlıdır. Wald z testi bu belirsizliği yok sayar ve az kümede fazla reddeder. Kenward-Roger hem standart hatayı hem serbestlik derecesini düzeltir; dengeli tasarımlarda klasik varyans analizinin kesin F testine iner. Örnek tasarımda (küme içi değişken, dengeli) \hat{\boldsymbol\Lambda}=\mathbf 0, \lambda=1 ve m=N-G-1=26 çıkar: test, 26 serbestlik dereceli t testidir.
| Seçenek | Test | Uygulanışı |
|---|---|---|
kr |
Kenward-Roger F | Etkili ve etkisiz model pbkrtest::KRmodcomp ile karşılaştırılır. Yalnız normal yanıt. |
sa |
Satterthwaite t | lmerTest katsayı tablosundaki p değeri. Yalnız normal yanıt. |
lr |
Olabilirlik oranı | Etki çıkarılarak drop1(…, test = "Chisq"); modeller en çok olabilirlikle yeniden kurulur. |
z |
Wald z | 2\Phi(-\lvert\hat\beta_j/\operatorname{SH}\rvert); normal yanıtta t değeri normal dağılımla okunur. |
Wald z testi az kümede nominal düzeyi tutmaz
Örnek tasarımda doğru başvuru dağılımı t_{26}'dır. Aynı istatistik normal dağılımla okunursa I. tür hata oranı P(\lvert t_{26}\rvert>1{,}96)=0{,}061 olur. z testiyle elde edilen güç bu yüzden biraz yüksektir (çalıştırma 4: 0,358; Kenward-Roger 0,320) ve iki sayı aynı düzeyde iki testin gücü değildir. Etki kümeler arasında değişiyorsa ve küme sayısı azsa fark çok büyür. Normal yanıtta z testi yalnız küme sayısı büyükken kullanılır.
58.4.5 Güç kestirimi ve Clopper-Pearson aralığı
- k: p<\alpha olan benzetim sayısı; n_{\text{sim}}: toplam benzetim sayısı (hatalı adımlar dahil).
- B^{-1}(p;a,b): Beta(a, b) dağılımının p. kantili; \alpha'=1- güven düzeyi.
- k=0 ise alt sınır 0, k=n_{\text{sim}} ise üst sınır 1'dir.
Neden Clopper-Pearson?
Aralık, binom dağılımının kendisinden kurulur: alt sınır, gözlenen sayının ya da daha fazlasının olasılığı \alpha'/2 olan güç değeridir; üst sınır simetriğidir. Yaklaşım içermez ve kapsama oranı hiçbir zaman adındaki düzeyin altına inmez; karşılığında biraz geniştir. simr'in varsayılanı budur. Şablon ana tabloda binom.test (202), güç eğrisinde summary(…, level = …) kullanır (219); ikisi aynı aralığı verir.
Monte Carlo standart hatası \sqrt{g(1-g)/n_{\text{sim}}}'dir: 40 benzetimde 0,075'e, 1000 benzetimde 0,015'e kadar. Örnek ayarın aralıkları bu yüzden \mp0{,}16 genişliğindedir.
58.4.6 Analitik güç (örnek veri yaklaşımı)
Doğrusal karma modelde güç, benzetim olmadan da yaklaşık olarak hesaplanabilir (Stroup, 2002): veri yerine tasarım ve varsayılan parametreler kullanılır.
- \mathbf V: varsayılan varyans bileşenleriyle kurulan kovaryans matrisi.
- \delta: merkezi olmama parametresi (tabloda
ncp). - T'_m(\delta): m serbestlik dereceli merkezi olmayan t dağılımı; m tabloda
KR_sdsütunudur.
Örnek verideki gibi dengeli bir tasarımda, sınanan değişken her kümede aynı değerleri alıyorsa ifade sadeleşir:
- S_{xx}: bir küme içinde x'in kareler toplamı; x=1,\dots,10 için 82,5.
- Küme varyansı ifadede yoktur: değişken yalnız küme içinde değiştiği için kümeler arası değişkenlik etkinin kestirimine karışmaz.
- m: N gözlemden G küme ortalaması ve bir eğim çıkarılır.
Küme varyansı gücü neden etkilemedi?
Küme içi bir değişkenin etkisi, her kümenin kendi içindeki karşılaştırmalardan kestirilir; kümenin düzeyi (b_g) bu karşılaştırmada sadeleşir. Bu yüzden örnek ayarda küme varyansının 11,14 ya da 0,5 olması gücü neredeyse değiştirmez (analitik 0,336 ve 0,329; küçük fark artık standart sapmasından gelir: 0,986 ve 1). Değişken kümeler arasında değişiyorsa durum tersine döner: kümelerin yarısına atanmış ikili bir tedavide, küme başına n gözlemle \operatorname{Var}(\hat\beta)=(\sigma_b^2+\sigma^2/n)\cdot4/G olur, serbestlik derecesi G-2'ye iner ve güç küme sayısıyla belirlenir.
Koddaki tercih
Analitik güç analitik() işlevinde hesaplanır (185–197). \mathbf X ve \mathbf Z model nesnesinden alınır (187), \mathbf V ve \operatorname{Var}(\hat\beta) varsayılan bileşenlerle kurulur (188–190), serbestlik derecesi kr_sd() ile aynı bileşenlerden hesaplanır (193), güç pt ile merkezi olmayan t dağılımından bulunur (195–196). Seçilen test ne olursa olsun analitik sütun bu t hesabıdır. Poisson ve ikili yanıtta analitik güç hesaplanmaz; sütunlar boş kalır.
Analitik sütun, dengeli tasarım ve küme içi etki için kesindir
kr_sd() (162–184) Kenward-Roger (1997) serbestlik derecesini doğrudan hesaplar: \mathbf X, \mathbf Z ve verilen iki varyans bileşeni (\sigma_b^2, \sigma^2) ile \boldsymbol\Phi=(\mathbf X'\mathbf V^{-1}\mathbf X)^{-1}, bilgi matrisi ve Kenward-Roger'ın A_1, A_2 büyüklüklerinden m bulunur. Varyans ve serbestlik derecesi böylece aynı bileşenlerden gelir; pilot kestirim yalnız varsayım girilmediğinde bileşendir. Dengeli tasarımda ve küme içi etkide serbestlik derecesi varyans bileşenlerine bağlı değildir (N-G-1) ve analitik güç benzetimle örtüşür (58.6.1). Etki kümeler arasında değişiyorsa ya da kümeler dengesizse serbestlik derecesi varyans oranına bağlıdır. Sekiz dengesiz kümeli kurgusal bir veride, küme düzeyinde bir etki ve pilot kestirimin on katı küme varyansı varsayımıyla: KR_sd 6,0 ve analitik güç 0,393'tür; 1000 benzetimin gücü 0,358'dir (Clopper-Pearson aralığı [0,328; 0,389]; analitik değer aralığın hemen üstündedir, fark yaklaşık 2,3 Monte Carlo standart hatasıdır). Küçük küme sayısında bu tür tasarımlarda yine de karar benzetim gücüne dayandırılır.
58.4.7 Güç eğrisi
Küme sayıları verilirse tasarım en büyük sayıya genişletilir ve her küme sayısı için güç ayrıca kestirilir.
- Genişletme: var olan kümeler sırayla yinelenerek yeni kümeler eklenir (4. küme 1. kümenin, 5. küme 2. kümenin tasarımını alır …). Yanıtlar benzetimden geldiği için yinelenen şey yalnız açıklayıcıların düzenidir.
- n_{\text{sim}} yapay yanıt en büyük tasarım için bir kez üretilir; her k için aynı yanıtların ilk k kümeye düşen bölümü kullanılır.
- "İlk k küme", küme etkeninin düzey sırasına göredir.
Aynı yapay yanıtlar neden paylaşılıyor?
Her küme sayısı için ayrı benzetim yapmak süreyi katlar ve eğriye bağımsız gürültü ekler. Ortak yanıtlar kullanıldığında komşu noktaların Monte Carlo hataları aynı yöne gider: eğri daha düzgün görünür ve küme eklemenin kazancı daha net okunur. Bedeli, noktaların bağımsız olmamasıdır: aralıklar tek tek geçerlidir, ama bir noktadaki şanslı sapma komşularına da yansır. Eğrinin k=G noktası ile ana tablo aynı tasarımı farklı çekilişlerle kestirir; iki sayı Monte Carlo hatası kadar ayrışır.
Koddaki tercih
En büyük küme sayısı var olandan büyükse simr::extend(m, along = ".kume", n = …) çağrılır (215); değilse model olduğu gibi kullanılır ve eğri var olan kümelerin alt kümeleri üzerinden çizilir. Güçler simr::powerCurve(…, along = ".kume", breaks = kms) ile kestirilir (217). Analitik sütun için her k'de ilk k kümenin verisiyle makeLmer ile aynı parametreli bir model kurulur ve analitik() çağrılır (220–225); burada "ilk k küme" powerCurve ile aynı biçimde küme etkeninin düzey sırasıyla seçilir (216, 222). Şekilde noktalar ve hata çubukları benzetimi, kesikli çizgi analitik gücü, noktalı yatay çizgi 0,80'i gösterir (229–234); 0,80 çizgisi sabittir.
58.5 Kod adım adım
| Satırlar | Ne yapar | Neden / dikkat |
|---|---|---|
| 1–115 | Üstbilgi: kimlik, açıklama, örnek veri ve ayar, on beş parametre. | Form buradan kurulur (Bölüm 1.2). |
| 116–118 | Dil yardımcısı .m; lme4, simr; ilerleme çubuğu kapalı. |
pbkrtest ve lmerTest gerektiğinde simr üzerinden yüklenir. |
| 120–134 | Seçimler, eksik satırlar, yanıt ve küme denetimleri. | Küme factor() ile kurulur (132); düzey sırası veri aktarımından gelir. |
| 135–144 | Sabit etkilerin denetimi; metin sütunları etkene çevrilir; formül. | Formül yalnız ana etkilerdir; etkileşim ve rastgele eğim yoktur. |
| 145–153 | Uyarı toplayıcı; test–aile uyumu; pilot model; pilot değerler. | yakala, uyarıları susturup uyari vektörüne ekler. |
| 154–161 | Varsayımların modele yazılması; ilk tablo; tekil uyum uyarısı. | Sıra önemlidir: önce küme varyansı, sonra artık SS (155–156). |
| 162–184 | kr_sd(): Kenward-Roger serbestlik derecesi (verilen varyans bileşenleriyle). |
İki bileşenli (küme, artık) model. |
| 185–197 | analitik(): varyans, serbestlik derecesi, merkezi olmayan t gücü. |
Yalnız normal yanıtta. |
| 198–208 | Test seçimi; powerSim; Clopper-Pearson; ana güç tablosu. |
Rastgelelik burada başlar. |
| 209–228 | Küme sayılarının ayrıştırılması; extend; powerCurve; eğri tablosu. |
Küme sayıları sıralanır ve yinelenenler atılır (213). |
| 229–235 | Güç eğrisi şekli. | Analitik çizgi yalnız normal yanıtta. |
| 236–238 | Hatalı benzetim uyarısı; toplanan uyarıların yazılması. | Yinelenen uyarılar tek kez yazılır. |
Kritik satırlar:
if (isTRUE(P$etki_sabit) || as.numeric(P$etki_buyuklugu) != 0) fixef(m)[ev] <- as.numeric(P$etki_buyuklugu)
if (as.numeric(P$kume_varyansi) > 0) VarCorr(m) <- as.numeric(P$kume_varyansi)
if (P$aile == "gaussian" && as.numeric(P$artik_sd) > 0) sigma(m) <- as.numeric(P$artik_sd)
…
ps <- powerSim(m, test = test, nsim = nsim, alpha = alfa, progress = FALSE)
ci <- stats::binom.test(ps$x, ps$n, conf.level = P$guven)$conf.int
58.6 Elle hesap: örnek veride bağımsız yeniden hesap
Bağımsız hesap dogrulama/karma_guc_benzetimi/elle_hesap.py ile, lme4, simr ve pbkrtest kullanılmadan yapılmıştır. Üç parça yeniden kurulmuştur: (a) REML kestirimi, \theta=\sigma_b/\sigma üzerinde tek boyutlu profil enküçüklemesiyle; (b) Kenward-Roger düzeltmesi, 1997 makalesindeki matris formüllerinden; (c) R'nin rastgele sayı üreteci (Mersenne-Twister ve ters dönüşümlü normal), böylece tohum 2026 ile şablonla aynı yapay yanıtlar üretilir. R tarafında (r_dogrulama.R) simr kullanılmadan açık bir döngü yazılmıştır: rnorm ile çekiliş, lmer ile uyum, KRmodcomp ile test; pilot model nlme::lme ile kurulmuştur.
Adım 1 — Pilot model (kapalı biçim). Tasarım dengeli olduğundan REML kestirimleri varyans analizi büyüklüklerinden elde edilir. Küme içi eğim: \hat\beta_x=-0{,}239788. Küme içi artık kareler toplamı 25,268350; serbestlik derecesi 30-3-1=26:
Küme ortalamalarının kareler ortalaması 10\sum_g(\bar y_g-\bar y)^2/2=112{,}328258:
Adım 2 — Varsayım modeli (örnek ayar). \beta_x=-0{,}1; \sigma_b^2=11{,}1356 ve \sigma=0{,}9858 pilot değerlerdir; kesişim 10,6734.
Adım 3 — İlk yapay yanıt. Tohum 2026 ile ilk üç standart normal çekiliş kümelerindir: u=(0{,}5206;\ -1{,}0797;\ 0{,}1392); küme kesişimleri \sqrt{11{,}1356}\,u=(1{,}7372;\ -3{,}6029;\ 0{,}4646). Sonraki 30 çekiliş artıklardır; ilki -0{,}0847. Birinci gözlem (x=1, küme a):
Adım 4 — Yeniden uyum ve test. Bu yapay yanıtta REML: \hat\beta_x=-0{,}136829, \hat\sigma_b^2=8{,}1486, \hat\sigma=0{,}9366. Kenward-Roger düzeltmesi sıfırdır (\lambda=1); standart hata 0{,}9366/\sqrt{3\times82{,}5}=0{,}059534:
Bu benzetim "anlamlı" sayılır. İlk beş benzetimin p değerleri: 0,0298; 0,0382; 0,0462; 0,8873; 0,2625.
Adım 5 — Güç ve aralık. Kırk benzetimin 16'sında p<0{,}05: \hat g=0{,}40. Clopper-Pearson: alt sınır Beta(16, 25)'in 0,025 kantili 0,248650; üst sınır Beta(17, 24)'ün 0,975 kantili 0,566733. Aynı sayım için Wilson aralığı [0,2635; 0,5540] olurdu.
Adım 6 — Analitik güç. Örnek ayar:
t_{0{,}975;\,26}=2{,}055529; güç =P(\lvert T'_{26}(-1{,}5958)\rvert>2{,}0555)=0{,}336402. Varsayımlar \sigma_b^2=0{,}5, \sigma=1 olduğunda (çalıştırma 2):
| Küme sayısı G | N | \operatorname{Var}(\hat\beta_x) | \delta | sd | Analitik güç |
|---|---|---|---|---|---|
| 3 | 30 | 0,0040404 | −1,5732 | 26 | 0,328519 |
| 6 | 60 | 0,0020202 | −2,2249 | 53 | 0,588818 |
| 12 | 120 | 0,0010101 | −3,1464 | 107 | 0,876588 |
Gücün 0,80'i geçtiği en küçük küme sayısı 10'dur (0,811; 9 kümede 0,768).
Adım 7 — Güç eğrisi (örnek ayar). Tasarım 6 kümeye genişletilir; ana benzetimden sonra, aynı rastgele sayı akışının devamından 40 yapay yanıt (her biri 6 küme çekilişi ve 60 artık) üretilir. İlk 3 kümede 16, 6 kümenin tamamında 23 benzetim anlamlıdır: 0,400 ve 0,575. İlk satırın ana tabloyla aynı sayıyı (16) vermesi rastlantıdır: iki sayım farklı çekilişlerden gelir (tohum 7 ile 13 ve 15).
58.6.1 Doğrulama: MerQuR+, Python ve R
MerQuR+ sütunu şablonun tablolarından tam hassasiyetle alınmıştır. Üç yol aynı tohumla aynı yapay yanıtları üretir.
| Büyüklük | MerQuR+ | Python (bağımsız) | R (bağımsız) | En büyük fark | |
|---|---|---|---|---|---|
| Pilot: etki (x) | −0,2397876 | −0,2397876 | −0,2397876 | 2,6e−15 | ✓ |
| Pilot: küme varyansı | 11,1356399 | 11,13563984 | 11,1356399 | 5,8e−9 | ✓ |
| Pilot: artık SS | 0,9858294 | 0,9858294 | 0,9858294 | 2,2e−10 | ✓ |
| Örnek ayar: benzetim gücü | 0,4 | 0,4 | 0,4 | 0 | ✓ |
| Örnek ayar: anlamlı tekrar sayısı | 16 | 16 | 16 | 0 | ✓ |
| Örnek ayar: GA alt | 0,24864999 | 0,24864999 | 0,24864999 | 2,5e−16 | ✓ |
| Örnek ayar: GA üst | 0,56673295 | 0,56673295 | 0,56673295 | 3,3e−16 | ✓ |
| Örnek ayar: analitik güç | 0,33640244 | 0,33640244 | 0,33640244 | 1,0e−10 | ✓ |
| Örnek ayar: Kenward-Roger sd | 26 | 26 | 26 | 7,2e−15 | ✓ |
| Örnek ayar: merkezi olmama parametresi | −1,5958271 | −1,5958271 | −1,5958271 | 1,8e−10 | ✓ |
| Örnek ayar, eğri G=3: benzetim gücü | 0,4 | 0,4 | 0,4 | 0 | ✓ |
| Örnek ayar, eğri G=3: GA alt | 0,24864999 | 0,24864999 | 0,24864999 | 2,5e−16 | ✓ |
| Örnek ayar, eğri G=3: GA üst | 0,56673295 | 0,56673295 | 0,56673295 | 3,3e−16 | ✓ |
| Örnek ayar, eğri G=3: analitik güç | 0,33640244 | 0,33640244 | 0,33640244 | 1,0e−10 | ✓ |
| Örnek ayar, eğri G=3: Kenward-Roger sd | 26 | 26 | 26 | 7,2e−15 | ✓ |
| Örnek ayar, eğri G=6: benzetim gücü | 0,575 | 0,575 | 0,575 | 0 | ✓ |
| Örnek ayar, eğri G=6: GA alt | 0,40890058 | 0,40890058 | 0,40890058 | 5,0e−16 | ✓ |
| Örnek ayar, eğri G=6: GA üst | 0,72957097 | 0,72957097 | 0,72957097 | 1,1e−16 | ✓ |
| Örnek ayar, eğri G=6: analitik güç | 0,60098281 | 0,60098281 | 0,60098281 | 1,5e−10 | ✓ |
| Örnek ayar, eğri G=6: Kenward-Roger sd | 53 | 53 | 53 | 2,5e−15 | ✓ |
| Tohum 7: benzetim gücü | 0,325 | 0,325 | 0,325 | 0 | ✓ |
| Tohum 7: anlamlı tekrar sayısı | 13 | 13 | 13 | 0 | ✓ |
| Tohum 7, eğri G=3: benzetim gücü | 0,375 | 0,375 | 0,375 | 0 | ✓ |
| Tohum 7, eğri G=6: benzetim gücü | 0,675 | 0,675 | 0,675 | 0 | ✓ |
| %90 aralık: GA alt | 0,26940378 | 0,26940378 | 0,26940378 | 5,0e−16 | ✓ |
| %90 aralık: GA üst | 0,54221669 | 0,54221669 | 0,54221669 | 1,1e−16 | ✓ |
| %90 aralık, eğri G=3: benzetim gücü | 0,4 | 0,4 | 0,4 | 0 | ✓ |
| %90 aralık, eğri G=3: GA alt | 0,26940378 | 0,26940378 | 0,26940378 | 5,0e−16 | ✓ |
| %90 aralık, eğri G=3: GA üst | 0,54221669 | 0,54221669 | 0,54221669 | 1,1e−16 | ✓ |
| %90 aralık, eğri G=6: benzetim gücü | 0,575 | 0,575 | 0,575 | 0 | ✓ |
| %90 aralık, eğri G=6: GA alt | 0,43313909 | 0,43313909 | 0,43313909 | 3,9e−16 | ✓ |
| %90 aralık, eğri G=6: GA üst | 0,70815342 | 0,70815342 | 0,70815342 | 1,1e−16 | ✓ |
| Varsayım (0,5; 1): benzetim gücü | 0,375 | 0,375 | 0,375 | 0 | ✓ |
| Varsayım (0,5; 1): anlamlı tekrar sayısı | 15 | 15 | 15 | 0 | ✓ |
| Varsayım (0,5; 1): analitik güç | 0,32851937 | 0,32851937 | 0,32851937 | 1,2e−13 | ✓ |
| Varsayım (0,5; 1): merkezi olmama parametresi | −1,57321327 | −1,57321327 | −1,57321327 | 2,0e−15 | ✓ |
| 1000 benzetim: benzetim gücü | 0,32 | 0,32 | — | 0 | ✓ |
| 1000 benzetim: anlamlı tekrar sayısı | 320 | 320 | — | 0 | ✓ |
| 1000 benzetim: GA alt | 0,29115371 | 0,29115371 | — | 2,2e−16 | ✓ |
| 1000 benzetim: GA üst | 0,34991038 | 0,34991038 | — | 3,9e−16 | ✓ |
| 1000 benzetim: analitik güç | 0,32851937 | 0,32851937 | — | 1,2e−13 | ✓ |
| 1000 benzetim: Kenward-Roger sd | 26 | 26 | 26 | 3,8e−15 | ✓ |
| 1000 benzetim: merkezi olmama parametresi | −1,57321327 | −1,57321327 | — | 1,7e−15 | ✓ |
| 1000 benzetim, eğri G=3: benzetim gücü | 0,34 | 0,34 | — | 0 | ✓ |
| 1000 benzetim, eğri G=3: GA alt | 0,31064732 | 0,31064732 | — | 3,9e−16 | ✓ |
| 1000 benzetim, eğri G=3: GA üst | 0,37029822 | 0,37029822 | — | 4,4e−16 | ✓ |
| 1000 benzetim, eğri G=3: analitik güç | 0,32851937 | 0,32851937 | — | 1,2e−13 | ✓ |
| 1000 benzetim, eğri G=3: Kenward-Roger sd | 26 | 26 | 26 | 8,2e−16 | ✓ |
| 1000 benzetim, eğri G=6: benzetim gücü | 0,59 | 0,59 | — | 0 | ✓ |
| 1000 benzetim, eğri G=6: GA alt | 0,55878835 | 0,55878835 | — | 2,2e−16 | ✓ |
| 1000 benzetim, eğri G=6: GA üst | 0,62068021 | 0,62068021 | — | 2,2e−16 | ✓ |
| 1000 benzetim, eğri G=6: analitik güç | 0,588818 | 0,588818 | — | 3,3e−14 | ✓ |
| 1000 benzetim, eğri G=6: Kenward-Roger sd | 53 | 53 | 53 | 2,9e−15 | ✓ |
| 1000 benzetim, eğri G=12: benzetim gücü | 0,873 | 0,873 | — | 0 | ✓ |
| 1000 benzetim, eğri G=12: GA alt | 0,85075997 | 0,85075997 | — | 2,2e−16 | ✓ |
| 1000 benzetim, eğri G=12: GA üst | 0,89301567 | 0,89301567 | — | 4,4e−16 | ✓ |
| 1000 benzetim, eğri G=12: analitik güç | 0,87658847 | 0,87658847 | — | 1,0e−11 | ✓ |
| 1000 benzetim, eğri G=12: Kenward-Roger sd | 107 | 107 | 107 | 4,0e−16 | ✓ |
| Sıfır etki, 1000 benzetim: benzetim gücü | 0,043 | 0,043 | — | 0 | ✓ |
| Sıfır etki, 1000 benzetim: anlamlı tekrar sayısı | 43 | 43 | — | 0 | ✓ |
Ölçütü karşılayan: 60/60. Python: R'nin rastgele sayı üreteci yeniden kurulmuş, model profil REML ile, test Kenward-Roger formülleriyle hesaplanmıştır (lme4, simr, pbkrtest kullanılmadan). R: simr kullanılmadan açık döngü (rnorm, lmer, KRmodcomp); pilot model nlme::lme; serbestlik derecesi sütununda dengeli tasarımın kapalı değeri N-G-1. R sütunu boş satırlar yalnız Python'da yinelenmiştir.
Bin benzetimli çalıştırmada ana tablodaki 320, eğrideki 340, 590 ve 873 anlamlı benzetim sayısı Python'da birebir yinelenmiştir: her yapay yanıt, her REML uyumu ve her Kenward-Roger p değeri eşiğin aynı yanına düşmüştür. Pilot kestirimlerdeki 10^{-7} düzeyindeki farklar, üç en iyileyicinin yakınsama toleransından gelir.
İkinci denetim istatistikseldir: benzetim gücü, kapalı biçimli analitik güçle Monte Carlo standart hatası içinde tutmalıdır.
| Tasarım (\beta=-0{,}1, \sigma_b^2=0{,}5, \sigma=1) | Benzetim | B | Kesin (Python) | Kesin (R) | SHMC | Fark / SH | |
|---|---|---|---|---|---|---|---|
| Ana tablo, G=3 (n=30) | 0,32 | 1000 | 0,328519 | 0,328519 | 0,01485 | −0,57 | ✓ |
| Eğri, G=3 (n=30) | 0,34 | 1000 | 0,328519 | 0,328519 | 0,01485 | +0,77 | ✓ |
| Eğri, G=6 (n=60) | 0,59 | 1000 | 0,588818 | 0,588818 | 0,01556 | +0,08 | ✓ |
| Eğri, G=12 (n=120) | 0,873 | 1000 | 0,876588 | 0,876588 | 0,0104 | −0,35 | ✓ |
| Sıfır etki, G=3 (I. tür hata) | 0,043 | 1000 | 0,05 | 0,05 | 0,00689 | −1,02 | ✓ |
| Wald z testi, G=3 (normal yaklaşım) | 0,358 | 1000 | 0,349676 | — | 0,01508 | +0,55 | ✓ |
Ölçütü karşılayan: 6/6. Kesin değer: \operatorname{Var}(\hat\beta)=\sigma^2/(G\,S_{xx}), sd =9G-1, merkezi olmayan t. Son satırda karşılaştırma değeri aynı merkezi olmama parametresiyle normal dağılımdan hesaplanmıştır.
Sıfır etkide Kenward-Roger testinin reddetme oranı 0,043'tür (Clopper-Pearson [0,031; 0,057]) ve 0,05 ile uyumludur. Wald z testinin gücü (0,358), normal dağılımla hesaplanan karşılaştırma değerine (0,350) yakındır ve Kenward-Roger gücünün (0,320) üstündedir; fark, 58.4.4'teki düzey farkının güçteki yansımasıdır.
58.7 Çıktıyı okuma
Çalıştırma 2'nin çıktısı (varsayımlar −0,1; 0,5; 1; 1000 benzetim; tablolar dört ondalığa yuvarlanmış):
Test: Kenward-Roger F; α = 0,050; 1000 benzetim
Pilot kestirimler ve benzetim varsayımları
parametre pilot benzetimde
etki (x) -0.2398 -0.1000
küme varyansı 11.1356 0.5000
artık SS 0.9858 1.0000
Güç (benzetim, %95 Clopper-Pearson GA) ve analitik güç
kume_sayisi n guc GA_alt GA_ust basari nsim hata analitik_guc KR_sd ncp
3 30 0.3200 0.2912 0.3499 320 1000 0 0.3285 26 -1.5732
Küme sayısına göre güç eğrisi
kume_sayisi n guc GA_alt GA_ust analitik_guc KR_sd
3 30 0.3400 0.3106 0.3703 0.3285 26
6 60 0.5900 0.5588 0.6207 0.5888 53
12 120 0.8730 0.8508 0.8930 0.8766 107
| Öğe | Ne yazar | Nasıl yorumlanır |
|---|---|---|
| "Test: …" satırı | Kullanılan test, \alpha, benzetim sayısı | "Otomatik" seçildiyse burada gerçekte kullanılan test görünür. |
pilot |
Pilot veriden kestirilen değer | Yalnız bilgi içindir; benzetime girmeyebilir. |
benzetimde |
Benzetimin kullandığı değer | Gücün dayandığı varsayımlar budur. Raporda bu sütun yazılır. Pilot sütunla aynıysa o parametre için varsayım girilmemiştir. |
kume_sayisi, n |
Tasarımın küme ve gözlem sayısı | Ana tabloda pilot verinin tasarımı. |
guc |
Anlamlı benzetimlerin oranı | Varsayımlar doğruysa etkinin saptanma olasılığı. |
GA_alt, GA_ust |
Clopper-Pearson aralığı | Yalnız benzetim sayısından gelen belirsizlik. |
basari, nsim, hata |
Anlamlı, toplam ve hatalı benzetim sayısı | hata > 0 ise o benzetimler reddetmeme sayılmıştır. |
analitik_guc, KR_sd, ncp |
Örnek veri yaklaşımıyla güç, serbestlik derecesi, merkezi olmama parametresi | Dengeli tasarımda ve küme içi etkide benzetimle örtüşmelidir (58.4.6). Yalnız normal yanıtta. |
| Eğri tablosu | Her küme sayısı için güç, aralık, analitik güç | n, genişletilmiş tasarımın o küme sayısındaki gözlem sayısıdır. |
Bu çıktıdan okunan: 3 kümeyle güç 0,32'dir; 6 kümeyle 0,59, 12 kümeyle 0,87'ye çıkar. Hedef 0,80 ise 6 ile 12 arasında bir küme sayısı gerekir; analitik hesap 10 der. Eğrinin 3 kümelik noktası (0,340) ile ana tablo (0,320) aynı tasarımın iki ayrı kestirimidir; fark 0,02, tek bir kestirimin standart hatası 0,015'tir.
Şekil 58.1. Şablonun şekli (çalıştırma 2): küme sayısına göre benzetim gücü ve Clopper-Pearson aralıkları; kesikli çizgi analitik güç, noktalı yatay çizgi 0,80.

Örnek ayarın çıktısı (çalıştırma 1) aynı biçimdedir; 40 benzetimle aralıklar çok geniştir:
Test: Kenward-Roger F; α = 0,050; 40 benzetim
Pilot kestirimler ve benzetim varsayımları
parametre pilot benzetimde
etki (x) -0.2398 -0.1000
küme varyansı 11.1356 11.1356
artık SS 0.9858 0.9858
Güç (benzetim, %95 Clopper-Pearson GA) ve analitik güç
kume_sayisi n guc GA_alt GA_ust basari nsim hata analitik_guc KR_sd ncp
3 30 0.4000 0.2486 0.5667 16 40 0 0.3364 26 -1.5958
Küme sayısına göre güç eğrisi
kume_sayisi n guc GA_alt GA_ust analitik_guc KR_sd
3 30 0.4000 0.2486 0.5667 0.3364 26
6 60 0.5750 0.4089 0.7296 0.6010 53
Test seçeneklerinin aynı varsayımlarla (G=3) verdiği güçler: Kenward-Roger 0,320 (1000 benzetim), Wald z 0,358 (1000), olabilirlik oranı 0,320 (200), Satterthwaite 0,280 (200). Son ikisinin Monte Carlo standart hatası 0,033'tür; Kenward-Roger ile farkları gürültü içindedir.
Poisson yanıtta (çalıştırma 9) tablo aynı biçimdedir; analitik sütunlar ve "artık SS" satırı boştur, test Wald z'dir. İkili yanıtta (çalıştırma 10) 40 benzetimin birinde model kurulamamış, çıktının sonuna "Uyarılar: 1 benzetimde model kurulamadı (anlamsız sayıldı)." satırı eklenmiştir.
Rapor cümlesi (çalıştırma 2):
Rastgele kesişimli doğrusal karma modelde küme içi bir değişkenin eğiminin (β = −0,1; küme varyansı 0,5; artık standart sapması 1; küme başına 10 gözlem, x = 1–10) Kenward-Roger F testiyle saptanma gücü benzetimle kestirildi (simr; 1000 benzetim, α = 0,05, tohum 2026). Üç kümeyle güç 0,32 (%95 Clopper-Pearson GA [0,29; 0,35]), altı kümeyle 0,59 ([0,56; 0,62]), on iki kümeyle 0,87 ([0,85; 0,89]) bulundu. Örnek veri yaklaşımıyla hesaplanan analitik güçler 0,33; 0,59 ve 0,88'dir; 0,80 güç için en az 10 küme gerekir.
58.8 Sık hatalar ve tuzaklar
- Etki alanını 0 bırakmak. Şablon pilot etkiyle çalışır ve gözlenen güç hesaplar; pilot etki büyükse güç yanıltıcı biçimde yüksek çıkar (örnek veride 0,95). Etki her zaman elle girilir.
- Varyans bileşenlerini küçük bir pilottan almak. Üç kümeden kestirilen küme varyansı (11,14) tek bir uç kümenin ürünüdür. Küme düzeyindeki etkilerde bu değer doğrudan güce yansır. Varsayımlar forma yazılır ve raporda belirtilir.
- "benzetimde" sütununu okumamak. Güç, bu sütundaki değerler içindir. Bir alan 0 bırakıldığında pilot değerin kullanıldığı yalnız buradan anlaşılır.
- Örnek ayarın benzetim sayısıyla raporlamak. Kırk benzetimle aralık \mp0{,}16'dır. Rapor için en az 1000 benzetim kullanılır; süre benzetim sayısıyla doğrusal artar (örnek tasarımda eğriyle birlikte 1000 benzetim yaklaşık beş dakika).
- Tohumsuz iki çalıştırmayı karşılaştırmak. Örnek ayar tohumsuz iki kez çalıştırıldığında güç 0,275 ve 0,350 çıkar. Fark Monte Carlo hatasıdır.
- Gözlem eklemekle küme eklemeyi karıştırmak. Şablonun eğrisi küme ekler. Küme düzeyindeki bir etkide küme başına gözlemi artırmak gücü çok az artırır; küme içi bir etkide ikisi de işe yarar.
- Genişletilmiş tasarımın pilotun kopyası olduğunu unutmak. Yeni kümeler var olan kümelerin açıklayıcı düzenini yineler. Pilot dengesizse ya da bir küme ötekilerden farklıysa bu fark çoğaltılır.
- Az kümede Wald z testini seçmek. Test nominal düzeyi tutmaz ve gücü yüksek gösterir (58.4.4).
- Analitik sütunu her tasarımda kesin saymak. Sütun, dengeli tasarımda ve küme içi etkide kesindir; öteki durumlarda benzetim gücü esas alınır (58.4.6).
- Güç eğrisinde "ilk k küme"nin satır sırası değil düzey sırası olduğunu unutmak. Benzetim ve analitik sütun aynı kümeleri kullanır: küme sütunu etken türündeyse kullanıcının düzey sırasındaki, sayısal ya da metin türündeyse sayısal ya da alfabetik sıradaki ilk k küme. Dosyada kümeler başka sırada dizilmişse
nsütunu bu düzey sırasındaki alt kümenin gözlem sayısıdır. - Yanıtı ya da etkiyi kategorik türde bırakmak. Şablon açık bir iletiyle durur; türler veri sekmesinde düzeltilir.
58.9 Uzman soruları
S1. Benzetim gücü ile analitik güç neden tam aynı değil?
İki neden vardır. Birincisi Monte Carlo hatasıdır: 1000 benzetimde standart hata 0,015'tir; çalıştırma 2'de dört karşılaştırmanın farkları −0,6; +0,8; +0,1 ve −0,3 standart hatadır. İkincisi yaklaşımın kendisidir: analitik hesap varyans bileşenlerini bilinen sayar ve serbestlik derecesini sabit alır; gerçekte her yapay veride bileşenler yeniden kestirilir ve küme varyansı sıfıra yapıştığında (tekil uyum) testin serbestlik derecesi değişir. Dengeli tasarımda ve küme içi etkide bu ikinci fark çok küçüktür; kümeler azken ve etki küme düzeyindeyken büyüyebilir.
S2. Yakınsamayan ya da tekil uyumlar güce nasıl giriyor?
Üç durum ayrılır. Model hiç kurulamazsa ya da test hata verirse adım reddetmeme sayılır ve hata sütununda bildirilir; payda nsim'dir. Uyum bir uyarıyla tamamlanırsa (yakınsama uyarısı, tekil uyum) adım olağan biçimde, kendi p değeriyle sayılır; bu uyarıların sayısı çıktıya yansımaz. Güç eğrisinde hatalı adım sayısı ayrıca gösterilmez. Bu kural, bağımsız gözlemli güç şablonundakinden (Bölüm 57: başarısız tekrarlar paydadan çıkarılır) farklıdır ve daha tutucudur: "çalışmayı yaparsam anlamlı sonuç bildirme olasılığı"nı kestirir.
S3. Küme sayısını artırmak yerine küme başına gözlemi artırsam?
Etkinin düzeyine bağlıdır. Küme içi etkide \operatorname{Var}(\hat\beta)=\sigma^2/(G\,S_{xx})'tir: toplam küme içi bilgi önemlidir, küme sayısını ikiye katlamakla küme başına bilgiyi ikiye katlamak aynı varyansı verir (serbestlik derecesi biraz farklıdır). Küme düzeyindeki etkide varyans yaklaşık (\sigma_b^2+\sigma^2/n)\cdot4/G'dir: n büyüdükçe ikinci terim küçülür ama birinci terim kalır; güç G ile sınırlanır. Şablon yalnız küme sayısını değiştirir; küme başına gözlem etkisi için pilot veri istenen düzenle elle kurulur.
S4. Kenward-Roger yerine Satterthwaite seçilse sonuç değişir mi?
Tek katsayılı testlerde ve dengeli tasarımlarda iki yöntem aynı serbestlik derecesini verir; fark, Kenward-Roger'ın standart hatayı da düzeltmesidir ve bu tasarımda düzeltme sıfırdır. Çalıştırma 4'te Satterthwaite 0,280 (200 benzetim; standart hata 0,033), Kenward-Roger 0,320 bulunur; fark gürültü içindedir. Karmaşık, dengesiz tasarımlarda iki yöntem ayrışabilir; ikisi de küçük örneklemde Wald z ve olabilirlik oranı testlerinden daha iyi düzey tutar (Luke, 2017). Satterthwaite daha hızlıdır; büyük verilerde bu önemli olabilir.
S5. Olabilirlik oranı testi için modeller neden yeniden kuruluyor?
REML olabilirlikleri sabit etkileri farklı modeller arasında karşılaştırılamaz: REML ölçütü \mathbf X'e bağlı bir terim içerir. Olabilirlik oranı testi bu yüzden iki modeli en çok olabilirlikle yeniden kurar ve farkı \chi^2_1 ile sınar. Az kümede bu test de Wald z gibi iyimserdir, çünkü \chi^2 yaklaşımı varyans bileşenlerinin belirsizliğini içermez.
S6. Poisson ve ikili yanıtta analitik güç neden yok?
Örnek veri yaklaşımı doğrusal modelde, kestirimin varyansı yanıtın değerine bağlı olmadığı için işler. Genelleştirilmiş karma modelde varyans ortalamaya bağlıdır, olabilirlik kapalı biçimde yazılamaz ve küçük örneklemde Wald istatistiğinin dağılımı normalden sapar. Yaklaşık yöntemler vardır, ama güvenilirlikleri tasarıma göre değişir; bu modellerde benzetim asıl araçtır. Şablon yalnız benzetim gücünü ve aralığını verir.
S7. Pilot veri hiç yoksa şablon kullanılabilir mi?
Evet: pilot verinin yalnız tasarımı kullanılır. Planlanan düzeni (küme kimlikleri, açıklayıcıların değerleri) içeren bir tablo kurulur; yanıt sütununa değişken herhangi bir sayı dizisi yazılır (model kurulabilsin diye). Etki, küme varyansı ve artık standart sapması forma girilir; o zaman benzetim tümüyle varsayımlara dayanır. Yalnız kesişim ve öteki sabit etkiler bu uydurma yanıttan kestirilir; normal yanıtta bunlar sınanan etkinin gücünü etkilemez, Poisson ve ikili yanıtta etkiler (ortalama düzeyi belirledikleri için) ve gerçekçi seçilmelidir.
S8. Güven aralığı neden Bölüm 57'dekinden farklı bir yöntemle?
Bu şablon simr'in varsayılanı olan Clopper-Pearson aralığını, bağımsız gözlemli güç şablonu Wilson aralığını kullanır. Aynı sayım için Clopper-Pearson biraz daha geniştir: 16/40 için [0,249; 0,567], Wilson [0,263; 0,554]. Benzetim sayısı 1000 olduğunda fark üçüncü ondalıktadır. İki şablonun sonuçları yan yana raporlanacaksa aralık yöntemi belirtilir.
S9. Rastgele eğimli bir model için ne yapılır?
Şablonun formülü (1 | küme) ile sınırlıdır. Rastgele eğim gerekiyorsa Kod sekmesinde formül (1 + x | küme) olarak değiştirilir; o zaman VarCorr(m) <- … ataması 2 × 2 bir kovaryans matrisi ister ve analitik() işlevindeki \mathbf V satırı (188–189) yalnız kesişim varyansını kullandığı için geçersiz kalır: analitik sütun dikkate alınmaz. Rastgele eğimin varlığı, eğimin sabit etkisinin gücünü belirgin biçimde düşürür; eğim varyansı için gerçekçi bir varsayım şarttır.
58.10 Kaynaklar
- Arend, M. G., & Schäfer, T. (2019). Statistical power in two-level models: A tutorial based on Monte Carlo simulation. Psychological Methods, 24(1), 1–19. https://doi.org/10.1037/met0000195
- Bates, D., Mächler, M., Bolker, B., & Walker, S. (2015). Fitting linear mixed-effects models using lme4. Journal of Statistical Software, 67(1), 1–48. https://doi.org/10.18637/jss.v067.i01
- Clopper, C. J., & Pearson, E. S. (1934). The use of confidence or fiducial limits illustrated in the case of the binomial. Biometrika, 26(4), 404–413. https://doi.org/10.1093/biomet/26.4.404
- Green, P., & MacLeod, C. J. (2016). SIMR: An R package for power analysis of generalized linear mixed models by simulation. Methods in Ecology and Evolution, 7(4), 493–498. https://doi.org/10.1111/2041-210X.12504
- Halekoh, U., & Højsgaard, S. (2014). A Kenward-Roger approximation and parametric bootstrap methods for tests in linear mixed models: The R package pbkrtest. Journal of Statistical Software, 59(9), 1–32. https://doi.org/10.18637/jss.v059.i09
- Hoenig, J. M., & Heisey, D. M. (2001). The abuse of power: The pervasive fallacy of power calculations for data analysis. The American Statistician, 55(1), 19–24. https://doi.org/10.1198/000313001300339897
- Kenward, M. G., & Roger, J. H. (1997). Small sample inference for fixed effects from restricted maximum likelihood. Biometrics, 53(3), 983–997. https://doi.org/10.2307/2533558
- Kumle, L., Võ, M. L.-H., & Draschkow, D. (2021). Estimating power in (generalized) linear mixed models: An open introduction and tutorial in R. Behavior Research Methods, 53(6), 2528–2543. https://doi.org/10.3758/s13428-021-01546-0
- Kuznetsova, A., Brockhoff, P. B., & Christensen, R. H. B. (2017). lmerTest package: Tests in linear mixed effects models. Journal of Statistical Software, 82(13), 1–26. https://doi.org/10.18637/jss.v082.i13
- Luke, S. G. (2017). Evaluating significance in linear mixed-effects models in R. Behavior Research Methods, 49(4), 1494–1502. https://doi.org/10.3758/s13428-016-0809-y
- R Core Team. (2026). R: A language and environment for statistical computing. R Foundation for Statistical Computing. https://www.R-project.org/
- Satterthwaite, F. E. (1946). An approximate distribution of estimates of variance components. Biometrics Bulletin, 2(6), 110–114. https://doi.org/10.2307/3002019
- Stroup, W. W. (2002). Power analysis based on spatial effects mixed models: A tool for comparing design and analysis strategies in the presence of spatial variability. Journal of Agricultural, Biological, and Environmental Statistics, 7(4), 491–511. https://doi.org/10.1198/108571102780
- Stroup, W. W. (2013). Generalized linear mixed models: Modern concepts, methods and applications. CRC Press.