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
kicc