Mixed models 使用R库sjstats计算混合效果的样本量
在R中使用sjstats函数smpsize_lmm()时,我得到了无法解释的结果。下面是我使用的代码和获得的结果 图书馆(sjstats) smpsize_lmm(有效大小=0.1,方向n=6,k=10,功率=0.8,icc=0.01) 这使得每个簇的样本量约为16个,或总样本量为165个 效应大小是与科恩d效应大小(标准化平均差)相似的效应大小。 n是固定效应的自由度-基本上是系数的数量。 K是簇的数量,icc是假设的组内相关性 我增加了icc,但当我期望随着icc的增加而减少样本量时,我得到了越来越多的样本量 smpsize_lmm(有效大小=0.1,方向n=6,k=10,功率=0.8,icc=0.02) 结果:20196 smpsize_lmm(有效大小=0.1,方向n=6,k=10,功率=0.8,icc=0.05) 结果:47473 smpsize_lmm(有效大小=0.1,方向n=6,k=10,功率=0.8,icc=0.06) 结果:93931 smpsize_lmm(有效大小=0.1,方向n=6,k=10,功率=0.8,icc=0.07) 结果:982498244 我将icc从0.07进一步增加到0.1,并获得大幅减少的样本量 smpsize_lmm(有效大小=0.1,方向n=6,k=10,功率=0.8,icc=0.1) 结果:14143 我还得到以下警告 警告信息: 每个簇的受试者最低要求数量为负值,并调整为正值。您可以减少对多级结构的要求(即减少Mixed models 使用R库sjstats计算混合效果的样本量,mixed-models,sample-size,Mixed Models,Sample Size,在R中使用sjstats函数smpsize_lmm()时,我得到了无法解释的结果。下面是我使用的代码和获得的结果 图书馆(sjstats) smpsize_lmm(有效大小=0.1,方向n=6,k=10,功率=0.8,icc=0.01) 这使得每个簇的样本量约为16个,或总样本量为165个 效应大小是与科恩d效应大小(标准化平均差)相似的效应大小。 n是固定效应的自由度-基本上是系数的数量。 K是簇的数量,icc是假设的组内相关性 我增加了icc,但当我期望随着icc的增加而减少样本量时,我得到
k
或icc
),也可以增加效果大小
随着icc的增加,样本量保持不变
smpsize_lmm(有效大小=0.1,方向n=6,k=10,功率=0.8,icc=0.5)
结果:14143
smpsize_lmm(有效大小=0.1,方向n=6,k=10,功率=0.8,icc=0.8)
结果:14143
我也得到了和以前一样的警告信息
有人能解释这些结果吗
提前谢谢