281499_zh-CN

liliconcom

我有力量！！： 复杂建模情况下的功率计算 (2020-US-30MP-544)

级别：中级

 

Caleb King，SAS Institute Inc. JMP 部门研究统计学家开发人员

 

任何在该领域工作时间足够长的分析师都不可避免地听到过这样可怕的问题：“X 数量的样本是否足够？ 我的实验需要多少数据？”抛开别有用心不谈，任何涉及数据的调查最终都必须回答“有多少？”的问题。避免数据不足而无法检测出具有科学意义的显着效果，或者数据过多而导致宝贵资源的浪费。 当基础模型复杂时（例如，具有难以改变的因素的纵向设计、具有审查的事件时间响应、具有不均匀测试水平的二元响应等），这可能变得特别困难。 在本次演讲中，我们将向您展示如何利用 JMP Pro 中一键式仿真的“威力”在复杂的建模情况下执行功效计算。 我们将使用广泛领域的相关应用来说明这项技术。

 

 

自动生成的成绩单...

 

扬声器	成绩单
迦勒·金	你好，我的名字是迦勒王。 我是 JMP 实验设计组的一名研究统计学家开发人员。
	今天我将与您讨论如何使用 JMP 来计算复杂建模场景的功效计算。 因此，简单回顾一下，能力是检测到您认为人群中存在的科学上显着差异的概率。
	它是在给定您从该总体中采样的当前数据量的情况下检测到该问题的概率。
	现在，大多数人在进行功效计算时，通常是为了确定研究的样本量，当然，这是直接的
	两者之间有联系。 样本越多，检测到具有科学意义的显着差异的机会就越大
	当然，还有其他因素与之相关。 您正在使用响应分布类型的模型。
	当然，总体中还存在噪音和不确定性，但大多数情况下，人们使用功效作为确定样本量的指标。 现在，我想说有三个阶段
	功效计算的全部内容都在 JMP 中得到解决，特别是如果您有 JMP Pro（我将在此处使用它）。
	第一阶段是一些更简单的建模情况，我们在设计诊断下的 DOE 菜单下进行此处。 我们有样本量和功效计算器。
	这些涵盖了广泛的非常简单的场景。 因此，如果您正在测试一两个样本均值，您知道，可能是具有多个均值的方差分析类型设置，
	比例、标准差。 当您想到功率计算时，人们会想到其中的大部分内容。 所以，当然，你会仔细检查并再次指定噪音，
	错误率，有任何参数，我试图检测什么差异，并说我正在尝试计算某个功率，我可以获得样本大小。
	或者，如果我想进一步探索。 我可以将两者保留为空。 我得到了功率曲线。 当然，现在，这些都是更简单的场景。 我想说，下一阶段是更通用的线性模型可以涵盖的内容，因此退出
	在这种情况下，我们可以在全方位的自定义设计菜单下转到此处。
	我会添加我最喜欢的一些效果。
	我会点击继续。
	我会把一切都留在这里。
	所以我们将进行设计。
	此时我可以根据模型中的预期系数进行功效分析。 因此，在这种情况下，它可能会说，我对这个特定的设计进行了 12 次运行。 我有大约 80% 的能力来检测这个系数。 如果我试图检测的话，说一些更小的东西。
	当然，我可以更改该值并应用更改。 你看，我没有那么大的权力。 所以如果这真的是我正在寻找的东西。 我可能会做一些改变。 也许我需要回去增加运行规模。
	因此，这些是我们可能进行功效计算的两种最常见的设置，但当然生活并不那么简单，你可能会遇到更复杂的设置，你可能会遇到混合影响因素，你可能会遇到纵向研究，你有计算能力。
	您可能会遇到这样的情况：您的响应不再是正常的随机变量，您可能有计数数据，您可能有二进制响应。 您甚至可能有某种有界 0/1 类型响应。 所以是百分比类型的响应。
	那么，如果您无法使用简单的功率计算器，也许 DOE 菜单可能太复杂，无法运行功率分析，您该怎么办？ JMP Pro 可以为您提供帮助，其中包含一个我们称之为“一键模拟”的工具。
	因此，这里的想法是，我们将通过蒙特卡罗模拟方法来模拟数据，以尝试估计特定设置可以获得的功率。
	这非常简单。 您可能至少需要预先做一些工作，具体取决于建模平台。
	但一旦你把它放下来。 做起来非常简单。
	我想说的是，在我开始在这里工作之前，我什至不知道 JMP 可以做到这一点。 所以，我很高兴与您分享我的发现。
	好吧，我们将从标准线性模型的简单扩展开始，其中我们结合了一些混合效果。 好的。
	那么我们开始吧，我们有一家公司正在寻求提高细胞培养物的质子蛋白产量。 不是质子而是蛋白质。
	温度、时间、pH。 我们还有一些混合因素。
	水和两种生长因子。 现在，在这个阶段，如果我们停在这里，我们可能仍然能够使用定制设计平台中提供的功率计算器。
	现在我们开始偏离的地方是，我们引入了一些随机影响因素，我们有三名技术人员，Bob、Di 和 Stan，他们代表了整个技术人员样本。
	他们将至少使用三个血清批次中的一个，这又代表了他们可以使用的所有血清批次，除非我们将它们视为随机效应。
	我们还有随机阻挡效果。 在这种情况下，测试将进行两天。 因此，我将向您展示如何使用一键模拟和 JMP Pro 来计算此案例的能力。 所以点击打开设计。
	这就是我创建的设计，让我在这里扩展我的窗口，以便可以看到一切。 现在，这可能代表您创建设计后通常会得到的结果。
	再次，
	此时，您可以单击“模拟响应”来模拟某些响应。 但即使你不这样做，也没关系
	您可以轻松使用一个技巧来复制，只需创建一个新列即可。 此时我们不会费心重命名它，我们只是创建一个简单的公式。
	走到这里的左边。 单击随机随机正态
	将所有内容保留为默认值，然后单击“应用”。 好的。
	我们已经获得了一些随机噪声数据。 一些模拟响应数据。 好的。
	此时，我将单击右键，复制
	右键单击粘贴即可获取我的回复栏。
	现在我所需要的只是某种回应。 所以简单的随机噪声在这里就可以很好地工作。 我们还没有尝试分析任何数据。 我们想要的是
	使用拟合模型平台为我们创建一个模型，然后我们将用它来创建模拟公式。 我们这样做的方式是，我们将采用一个模型。 现在我在这里做了一些头脑工作。
	所以，我已经在这里创建了模型。 只是为了向您展示我是如何做到的。 我将在重做下的重新启动分析下进行讨论。
	所以，在这里你可以看到我的反应蛋白产量你好，我的固定效应。 我有一些随机效应。
	我做了所有的事情，并且让一切都变得非常标准。
	现在你看到这里发生了很多事情。 我们不需要关注这些。 我们只是对创建一个模型感兴趣。 此时，我们的方法是进入红色小三角菜单下的此处。
	将转到已保存的列下。 现在我们需要小心选择哪一列。 如果我选择您可能会想做的预测公式。 那挺好的。 但正如您将看到的那样，它并没有让我们一路走到那一步。
	如果我进入公式。 这就是平均预测公式。 这里没有关于随机效应的内容。 所以这不是我想要的专栏。 它不完整，不包含我需要的一切。 我需要回来。
	再次转到“保存列”下，然后向下滚动到此处的条件预测公式，并从悬停帮助中进行注释，其中包括随机效应估计，这正是我想要的。
	现在，您可能并不真正想要计算随机效应的能力。 您只想获取平均模型，在这种情况下
	您可以轻松返回定制设计平台并以这种方式完成。 让我们假设我们也对这些随机效应感兴趣。
	现在我们已经保存了他们的条件预测公式。
	再次，我们将进入，查看公式。
	在这里你可以看到我们有随机效应。 现在我们需要在这里做一些调整，以使其成为我们想要的模拟。 所以我要双击这里。
	这让我开始了解 JMP 脚本语言格式。
	现在，首先我将对主要效果进行一些更改。 我将选择一些值。 那么让我们看看。 我们将温度设为 0.5
	时间为 0.1。
	以及pH值。 让我们将 1.2 提高一点。
	对于水。 我还要走得更高。 所以，这些可能有更大的系数。 所以我会为水做85。
	我会做90
	为生长第一生长因子。 让我们做 50 个
	生长因子也是如此。 好的。
	好的，我已经对主要平均模型部分进行了调整。 再说一次，这些是您认为具有科学重要性的参数
	现在来看随机效应。 您可能会想用这样的东西来替换它。 好的。 这应该是随机效应。 所以我会在这里放置一个随机法线。
	它看起来有点正确，但又不完全正确。 原因是这个公式是逐行计算的，将会发生的是你第一次遇到一个名叫吉尔的技术人员。
	您将在这里模拟一个随机值，并且您将获得该公式评估的值，但下次您入狱时。 我这里写了六个。
	这将模拟一个不同的值，从而违背了随机效应的目的，随机效应每次都应保持相同的值。 吉尔出现
	它将产生类似随机错误的影响，我将借此机会将其放在这里，这是我们想要更改每一行的值。 那么我们如何才能很好的克服这个问题呢？
	我告诉你这一点是因为我第一次提出这个有点尴尬时实际上就这样做了。
	值得庆幸的是，我的同事也来了。 之后，并向我展示了如何正确输入随机效果的技巧，这就是技巧。
	我们将转到此处的顶部并输入 if row。
	等于一
	我将创建一个变量，称为 tech Jill。
	现在这是我放置它的地方
	这个技巧的作用是将随机法线替换为技术吉尔。
	如果这是第一行，我们将模拟一个随机变量，并将其分配给该变量的参数值内。
	在第一行下，我们不再进行模拟，这意味着技术 Jill 会保留最初给出的值，并且它将保留我们放置的每个位置
	所以我们也会这样做。
	给鲍勃
	正如你所看到的，这将完成随机效果的任务。
	把鲍勃放在这里对于斯坦来说事情会容易一些。 我们不必为他进行模拟，因为模型中的随机效应加起来应该为零。
	我们这样做的方式也是如此。
	我们让他成为对立面。
	其他一些影响。
	对第一批血清进行同样的操作
	现在对于这个，我要给它多一点噪音。
	假设有更多的噪音
	血清批次
	这种方法的优点是你可以尝试不同的场景。
	在此输入这些值。
	好的。
迦勒·金	再说一遍，这个。
	其他一些。 在我添加另一个之前。 第一天，我会继续将其添加到此处，因为事情会变得简单。
	第一天消极。
	我会在这里添加它的随机效应，我会说它是随机效应。
	我可以打字
	是有点小了。
	好了好了,到了这一步,我们应该,我们应该有我们完整的模拟公式了。 如果我单击“确定”，则会返回到“公式编辑器”视图。
	我们应该可以出发了。
	好的，这就是我们的模拟公式。
	现在，接下来我们要做什么，我们将回到我们的拟合模型。
	我们要去我们想要模拟功率的区域
	在这里，我将进入固定效应测试框。 我要转到本专栏的是 p 值，在这种情况下，原始噪声模拟没有给我们任何 P 值。 没关系。 我们不在乎这个。
	我们只需要它来生成模型，然后将其转换为模拟公式。 我要在该栏下单击鼠标右键。 现在请记住，这仅在您拥有 JMPed pro 时才有效
	最底部是模拟。 所以我们点击它。
	它会询问我们要切换哪一列。 因此，默认情况下，它会选择响应列，然后它将遍历并查找所有模拟公式列的位置。 所以我们想切换到这个，因为这个包含我们的模拟模型。
	告诉它有多少样本并进行 100 个
	我会给它我最喜欢的随机种子。
	然后我单击“确定”。
	等等，大约一两秒钟。
	现在我们就到了。
	因此它生成了一个表，其中包含模拟器响应。 很适合模型。
	并报告 P 值。 现在在某些情况下，没有 P 值，我们最终陷入了与开始时一样的情况，这没关系。 只要我们有足够的数字来进行估计，这种情况就会在模拟中发生。
	现在，这样做的好处是 JMPed 看到我们正在模拟 P 值。 就这样了。 我敢打赌，您将赢得进行功耗分析的机会，并且很高兴为我们提供了一个脚本来执行此操作。 谢谢 JMP。
	我们运行它，您会发现它看起来很像分发平台。 所以它完成了每一行的分布，对不起，列，但有一个附加功能，这里有一个新表，显示模拟的功率，因为我们模拟了它。
	我们可以读取这些办公室的估计功率，如果它不是 100，如果我们是其他数字，那么您可以查看拒绝率。 所以我们在这里看到我们的三个混合因子。 考虑到我们拥有的一切，看起来我们拥有相当强大的力量
	检测那些特定的系数。 如果我们考虑其他三个因素，情况看起来就不那么好了
	所以，然后我们必须回去说，好吧，
	也许我们会回去看看我能检测到的最大值是多少，所以我将最小化这些
	最小化表格。 我会回到我的公式并说让我们做一个不同的
	在这里做一些不同的事情。
	如果我改变这个怎么办？ 所以这是第五点也许知道如果它比第一点更高会怎样
	暂时。 让我们看看，让我们也把它变成一个
	和四个pH值。 我要去三。 所以我要把事情搞得更糟一些。 所以，你知道，嘿我能检测到这个吗
	将保持其他所有内容相同，因为我们知道我们可以检测到这些内容，看起来单击“应用”好生成了一些新的返回值
	再说一遍，同样的事情。 在要模拟的栏目下右键单击快速模拟即可切换
	给定一定数量的样本。 所以坚持下去
	相同的种子。
	我们会去
	只需等待几秒钟即可完成模拟。
	我们到了。
	并将再次运行我们的功率分析。
	这里看起来是一样的。 我们没有改变任何东西。 所以事实上，我要把这些组联系起来。 有点太多了。 开始了。 让我们隐藏这三个
	让我们看看这些。 因此，我们似乎在 pH 值方面做得更好，因此 1 的值可能是在给定此样本量的情况下我们可以检测到的上限范围。
	但对于时间上的温度，我们似乎仍然无法检测到，即使是那些高值。 那么，好吧。 嗯，我们还能改变什么。 如果我们将样本数量加倍怎么办？ 我的意思是，我们是
	计算这个样本量。 那么让我们回顾一下我们可以做到这一点的一种方法。 我们可以去做，我们可以点击增强设计。
	将选择我们所有的因素。
	选择我们的回应。
	单击“确定”。
	我们只会增强设计。
	这次我们将其加倍，即 24
	那么我来进行设计。
	这需要一点时间。 所以我实际上要去
	有点早了。
	让我们看看，我们将制作桌子。
	好的，现在我们将运行次数增加了一倍
	和
	所以它只给了我们一半的答复。 没关系。 因为我们只需要一个回应。 我要拿走这个并复制
	并粘贴
	课程在现实生活中。 你不想这样做，因为希望得到不同的回应。 但同样，我们只需要噪声噪声响应，进入模型。 现在这一次，我们得稍微解决一下问题。 我将选择这三个，在属性下显示有随机效果。
	保持一切相同。 单击运行。
	我会注意到我还没有模拟公式，但不必遍历并重建它。 我实际上可以创建一个新专栏，然后返回到旧专栏。
	右键单击复制列属性。
	回来，右键单击“粘贴列副本”，我的公式现在已准备就绪。 那么，假设我们在这种情况下这样做并保持我们最初的价值观会怎样？
	所以我会回去。 我将双击它打开拟合模型窗口。
	进入固定效应测试，右键单击那里可能同意p值模拟和
	我不会改变这一点，因为只有一次模拟，我们让我想要的模拟找到了正确的响应。
	所以我就改变这些
	让我们看看这个例子中会发生什么。
	好吧。
	运行功率分析。 现在，我不再担心这些
	混合效果，因为正如您所看到的，我们刚刚比原来的效果更好，这已经很好了。 所以我要再次隐藏它们。
	所以我们可以更容易地看出人们对这种情况的 pH 值感兴趣。 我们知道我们可能会做得更好，因为即使有旧的 12 场比赛。 我们拥有相当强大的力量。
	看起来我们确实及时改善了温度。 因此，如果这些代表了效应大小的上限，那么我们对下限感兴趣，这似乎表明将样本大小加倍可能会有所帮助。
	这些说明了我们如何使用它。 首先，如何进行一键模拟
	然后我们如何用它来进行功率计算并鼓励你做一些事情。 在加入 JMP 之前我经常这样做，就是让人们选择探索你的选择。 在此过程中，样本大小似乎对温度和时间有所帮助。
	改变你正在寻找的东西，似乎有助于改变 pH 值，然后我们似乎对混合物的影响还可以，所以探索你的
	因此，这还可以包括返回并更改随机效应估计的方差。
	例如，我可以回到这里。 我不会这么做。 但我可以改变这些值并说，你知道如果技术人员噪音大一点而血清批次噪音较小会发生什么。 尝试并找到情况，以便您的测试计划对于不可预见的设置更加稳健。
	好吧，让我打扫一下
	把这些全部都检查一遍。
	好吧。
	对于其余的场景也是如此。 我将探索如何实现这一点的不同方式。 所以一般方法是相同的。 您创建您的设计并模拟响应。
	我们拟合模型，或者在本例中我们使用稍微不同的平台来生成模型。
	然后使用该模型创建一个模拟公式，然后您将使用该公式和一键模拟方法。
	现在让我们看一个案例，我们有一家公司将进行他们拥有的这个案例。 但是，让我们假设他们要对其员工进行一项调查，并且想要确定哪些因素会影响员工流失。 所以也许
	他们有很多员工即将离职。 因此他们想要进行一项调查来评估哪些因素，因此他们想知道有多少人做出了回应，他们应该制定计划
	现在公司多年来的反应，但他们的两个小问题。 首先，我是一名员工，在离开之前必须工作至少一个月才能被视为自然减员。
	另一个是，答复是以年为单位的，但也许我们更关心的是几个月。 几个月。 也许这就是我们的预算软件的工作原理或其他什么。
	而且，你知道，对于员工来说，他们可能更容易回答。 以及他们已经有多少年了，而不是多少年或几个月。 他们一直在公司。
	因此，在这种情况下，我们进行了间隔审查，因为我们给出了多少年，但这只能告诉我们他们在那么多年和一年后之间已经存在过，如果他们在一年之前离开，我们也会遇到这种情况一个月到一年之间进行审查。
	所以打开舞台桌。 我已经设置了很多了。 我们这里有很多因素，一直滚动到最后。 这样您就可以看到我们正在查看的回复。
	再说一遍，我们有一年的低点和几年的高点。 所以这意味着，如果一名员工回答说他们在六年后离开了。 这意味着他们在那里的实际时间以月为单位，大约在六到七年之间。
	如果他们在一年前离开，我们就知道他们在那里呆了一个月到一年之间的某个时间。
	我将在此处单击此对话框按钮以在此处启动间隔审查。 我们将使用通用平台。 我们将假设响应有一个合理的分布。
	我们不在这里放置审查代码，因为我们处理的方式有间隔审查，即我们将两个响应列放入 y
	你会看到的。 好的。 以下是您将看到的所有因素，当我们单击“运行”时，JMP 将其识别为事件分布时间，然后说，好的，如果您给我两个响应列。 这是否意味着在这种情况下你正在做间隔感觉？ 是的我们是。
	所以现在。
	我们将会经历同样的事情。 我们要找到正确的红色三角形。 在本例中，它位于 waibel 最大似然值旁边。 现在这是真正好的事情
	生成平台。 现在已经有很多关于它的好东西了。 但这只是锦上添花。
	当我单击此按钮时，如果我们确实像以前一样，我们必须进入并保存预测公式，我们必须进行一些调整以获取随机信息，确保它是一个随机的 wible模拟根据需要调整事情。
	不过一般都是这样。
	它知道您可以进行一键模拟，因此它会说，嘿，您希望我为您保存模拟公式吗？如果您感兴趣的话，是的，我们感兴趣。 所以我们点击保存模拟公式。
	让我们回到我们的桌子上。
	你会注意到它只模拟了一种平静。 我稍后会详细讨论原因。 但让我们快速检查一下
	事实上，我将双击拉出脚本语言，您会看到它已经被设置为随机 wible，它已经在那里进行了模型的转换。
	此时您所要做的就是将这些参数值更改为对您具有科学意义的值。
	好吧，现在为了这个目的我不会那么做。 我就不理他们了。 不过我会做出一个改变，并且我想尝试复制。
	我们将要使用的实际情况。 请注意这里。 这些都是连续值，而实际上，我们应该得到漂亮的圆孔年份数字。 所以我可以这样做。
	这些年了。 你好，我将创建一个简单的变量，使其等于实际的连续时间，但告诉它返回上限。
	所以本质上是四舍五入
	层数。好的。 现在你就得到了它。
	正如你所看到的，这告诉我我已经模拟了你的。 你好。 现在，
	到
	看，当您执行一键模拟时，所有这些都在这里。 我来打开效果测试。
	如果我右键单击然后单击“模拟”，我一次只能输入一列。 所以我无法拖动并选择多个
	现在，如果我能在这个地方度过我属于你的岁月。 嗨，模拟看起来不错。 问题是今年的低点。 现在，今年的低点被引入，因为它是原始模型的一部分。
	但这是您最初使用的年份，如果我们回头看，我们已经看到了一个问题，让我快速取消这个问题。
	例如，如果我们要这样做。 它无法适合第一个，因为最高年份低于您的年份。 今年的低点与模拟响应无关。 那么我们如何解决这个问题，我们需要将它绑定起来才能建立这种连接。 所以我会去你的，低
	我要点击公式。 所以这里已经有一个公式了，我只是要快速更改一下。
	我要说的是，如果我双击模拟公式来做到这一点。
	是双击一个。 所以，多年来，回报率高达112
	否则，返回模拟值减一。
	现在单击“确定”并应用
	正如您所看到的，它现在已经与它绑定在一起了。
	所以现在我可以回去了
	我可以右键单击，进行模拟，我可以用模拟公式替换高年份，并且放心地知道，当我进行模拟时，低年份将是合适的。 第 112 章
	所以它现在与它绑定在一起，当他们进行模拟时，它总是会被引入。
	我将快速运行一个快速模拟。
	我们开始吧。 进展有点慢。 所以这是一个好兆头。
	我会让它结束
	好吧。 这就是我们的模拟。
	当然，我们可以运行功率分析，这种情况下我们有很多因素，我相信有 1400 70 报价可以玩这个。
	对于他们中的很多人来说，我们杀伤力太大了。
	但对其中一些人来说却令人惊讶。 我们仍然有问题。 所以这可能是值得研究的事情也许我们无法检测到那么低的系数
	可能需要改变一些有关这些因素的事情，以便在您的计划会议中讨论。
	因此，当你遇到这种情况时，这就是你需要做的事情，如果他有正确的审查，我们就会进行间隔审查，所以你有一个审查专栏。
	同样的事情，你也会的。 它会输出实际时间的模拟，我想说，你可以对此进行一些调整。
	确保它与您在回复中看到的时间类型或您期望的时间类型相符。 然后你必须将你的审查列与模拟联系起来，只要你有这种类型的设置，就会发生这种情况。
	好的。
	让我们把这一切都弄清楚。
	那么让我们看看另外一个
	如果我们有非正常反应会发生什么？ 所以我们已经看到了一个。 我们已经看到了可靠性类型的响应。 所以我们知道我们可以使用生成让我们快速探索另一个。 在这种情况下，我们有一个正常的响应
	一个测试。
	该系统将能够将武器的反应按百分比固定。 现在，从技术上讲，您可以将其建模为正态分布。
	这可能没问题，只要您期望值介于 50 个百分点左右
	但不，因为我们希望这是一个非常准确的武器平台，所以我们希望看到接近 100% 的响应
	因此，也许像 beta 分布响应这样的东西可能更合适。 我们确实有一个问题。 我们有这三个感兴趣的因素，但其中之一。 目标嵌套在熔断器类型内。 因此目标因素的类型将取决于保险丝类型
	案例运行得很快。 同样，我们已经创建了数据。
	在本例中，我模拟了一些随机数据，并使其在零和一之间匹配。 我只是通过随机正态的逻辑变换来做到这一点
	好的。
迦勒·金	我会复制
	粘贴。
	确保我可以粘贴
	再次，走过它。
	很简单。
	我们将使用 beta 响应。 我们有我们的回应。 我们的目标嵌套在未来类型中
	单击运行。
	再次，红色三角形。 许多人说列保存了模拟公式。 这就是您可以在常规拟合模型的生成中执行的操作，不幸的是不能这样做。
	但我们有我们的模拟公式。 我不会做任何改变。
	但你可以，你可以进去。 正如您所看到的结构，双击已经存在。 甚至物流转型。 所以你只需输入模型参数即可。
	打扰一下。
迦勒·金	快的。 好的。
	再见。 好的。 再一次，我们会下去。
	你就是这样做的。 所以我们下去。
	效果测试，右键Simulate
	进行替换并继续
	好吧，看看一般来说有多么容易。 所以即使你有不正常的反应。
	你可以走了。 感谢生成
	好的。
	现在，
	如果你有纵向数据怎么办？ 这可能很棘手，因为现在的响应可能彼此相关。 那么我们如何才能很好地整合这一点就很简单了。
	在本例中，我们有一家公司正在生产降低胆固醇的治疗方法。 假设这是一种治疗
	我们将进行一项研究，将其与竞争对手的治疗进行比较，为了完成研究，将有一个对照组，安慰剂组每组将有五个受试者纵向方面是在早上和下午进行一次测量三个月。
	现在我不会在这上面花太多时间，因为我只是想向您展示如何整合纵向方面。 所以这个案例我已经
	创建了模型并创建了模拟公式。 因此，现在您可以使用它作为如何执行此操作的参考。 假设我们有一个 AR one 模型。
	而且这真的很快。
	只是为了向你展示。 所以就有了所有的固定效应。 请注意，这里我们有很多交互。 请记住这一点，因为我向您展示的公式可能看起来有点混乱。
	你已经
	指出我们有一个重复的结构。 所以我选择了AR一
	主题内按天计算的周期。 好的。 下一个模型平台。
	那么我如何将第一代融入到我的模拟公式中呢？我就是这样做的。
	如果是第一排或新病人。 这就是说当前患者不等于之前的患者
	这是我保存的模型，我将参数值更改为可能感兴趣的值。 这确实需要一些工作，因为这里发生了很多事情。 有很多互动发生。
	最后我们得到了一些随机噪音。 但这就是我所做的一切。 所以我在这里改变了一些值。 我把事情做了很多零，只是为了让事情变得简单
	如果不是第一排或者不是新病人。 我们如何整合相关性。 我所做的就是将该模型复制到此处，并添加该术语。
	只是有一些价值。 我相信它必须小于等于先前条目的一倍的一倍。
	如果它是自回归的，那么你会添加诸如滞后之类的东西。
	模拟公式为
	你必须进行另一次调整，知道它是否是第一行，我们有我们的模型。 这是第二排，或者是新病人的两个位置。 如果我们回去看其他东西的话，它可能看起来像 AR 的
	正如您所看到的，只要您知道模型的样子，就很容易合并自相关结构，并且应该很容易将其实现为模拟公式。
	好的。
迦勒·金	我会让你快速看一下。
	最后，
	我们的最后一个场景是通过失败响应，这也很常见。 我将用它来说明如何使用一键模拟来改变人们对如何运行某些类型的设计的想法，向您展示它的强大功能
	不打算
	假设我们正在创建一个检测系统来检测放射性物质。 因此，我们将把它与现场可能已经存在的另一个系统进行比较。
	所以我们要比较这两个检测系统，我们选择了一定量的材料和一些测试对象，范围从非常低的浓度1到浓度非常高的5，我们要测试
	我们的系统对每个浓度重复一定次数，看看它成功报警了多少次。
	我要打开这两个
	我们先从这个开始吧。 因此，这代表了一个典型的设计，您可能会看到我们每个设置都有均衡数量的样本。 在这种情况下，我们有很多样本。 他们很幸运这个地方如此
	假设我们将在每次运行中进行 32 次平衡试验，这是一个模拟响应。 好吧，我们来说吧。 然后我在这里创建了我的模拟公式。
	所以我会告诉你那是什么样子的。 再次，随机二项式。 他们都是一样的。 因此，我将数字保留在这里，但我可以引用来自独立一致的试验列中的警报，但这没关系。
	这是我可能感兴趣的模型
	好的。
	和这里。
	我有一个场景，而不是平衡数字和每个设置，我将大部分样本放在中间
	我的理由可能是，如果浓度较低的话，就会出现这种情况。 我几乎不指望它能抓住它。 我有合理的期望。
	如果浓度很高，它几乎总能捕获它。 所以对我来说最重要的差异是在中间，也许是三到四个浓度
	这就是我要加载的地方。 我的大部分样本，然后我会在这里放更多一些。 但随后在这些其他设置中投入最少。 让我们看看每个测试如何根据功率来规划表单。
	因此，在此处运行二项式模型脚本，该脚本将运行二项式模型。 系统中只有一种模型效果。 我们不集中注意力，因为我们知道这里有效果。 这就是我们感兴趣的。
	生成二项式。
	再次运行红色小三角菜单就OK了。
	我已经得到了我的模拟公式。
	所以实际上我不需要这样做。
	所以你已经建立了一个模式。
	右键单击您是否模拟。 好吧，那里看起来一切都很好。
	我下一个最喜欢的随机种子。
	这里我们进行功率分析。 好吧，现在我们就到这里吧。
	做同样的事。 当你有二项式时，我会再次拟合模型。 你不仅要输入它报警的次数，还要输入它进行了多少次尝试。
	运行向下滚动效果测试，往下走。
	主要是为了了解将要发生的事情。
	快的。 好的。
	这是我的模拟，将我的相似之处移动到这里，最小化最小化。 这就是平衡设计下的结果。
	请注意，我们的功效非常低，这看起来很奇怪，因为每次运行我们都有 32 个功效。 我的意思是，这是很多样本，我会为了我以前工作过的那么多样本而杀死
	所以你会期望有很大的力量，但这里似乎没有。 我的样本总数相同。 我只是以不同的方式分配它们。
	我的力量水平也急剧上升。 也许如果我在这里堆更多的话。 也许如果它做了四四，然后对其中每一个进行编辑
	我可以获得更多的力量来检测这种差异。 因此，这不仅表明您知道并不总是只是改变样本大小，也可能并不总是需要更多样本，在这种情况下，您一开始就有很多样本。 但如何分配它们也很重要
	好的。
	所以，
	我希望您和我发现这个非常棒的计算功率的工具一样兴奋。
	我想给您留下一些要点。
	因此，我们再次使用模拟。 现在，理想情况下，我们有点喜欢一个公式。 因此，在民事案件中，我们确实利用了一个简单的公式。
	即使有了回归模型，我们也有一些公式可以在幕后提供帮助。 但当然，还有现实世界。 事情有点复杂。 因此，我们通常必须依赖模拟，正如我们所见，模拟是一个非常强大的工具，
	当然，现在我们在模拟方面要做的关键事情之一是平衡准确性和效率。 我一般跑100
	主要是因为，你知道，为了节省时间。
	但最终知道也许您可能会坚持使用默认值 2500，因为知道运行需要一些时间
	所以我可能提倡的是，你知道，也许一开始就进行 100 200 次模拟，只是为了让它了解正在发生的事情。 然后如果你发现一个情况
	哪里看起来像它。 不，值得进行更多调查以增加样本数量，这样您就可以提高准确性。
	好的，也许您从几种不同的情况开始，运行一些快速模拟，然后缩小到一些关键设置关键场景，然后您可以增加模拟数量以获得更高的准确性。
	我总是主张功效计算，就像实验设计从来都不是一劳永逸的。
	您不应该只是在计算器中输入一些数字并返回样本量。 设计中可能会发生很多事情。
	或者在实验中会发生什么。 我认为计划实验的最佳方法是尝试并考虑不同的场景。 因此，探索不同级别的噪音。
	在你的回应中。 因此，混合效果可能会围绕不同的混合效果大小发挥作用。
	当然，您可以探索不同的样本量，但也可以探索不同类型的模型。 例如，在通用中心，如果我们使用 wible 模型，如果他做了很多正常模型的话。
	探索这些不同的场景，并了解将它们呈现给测试计划者可以让您在研究中发挥作用，从而对各种设置保持稳健。
	所以永远不要只是去计算然后回来，总是向紧张的玩家呈现不同的场景。 这是相同的过程。 我用的时候
	创建实际设计的实际实验。 所以我会介绍测试玩家。 我使用了他们可以知道的不同选项来探索它。 他们可能选择一个选项，也可能是选项的组合。 你应该始终这样做以使你的计划更加稳健
	正如我所说，他们是
	好的。 好吧，我希望你能从中学到一些新东西。 如果您有任何问题可以联系我，他们可能会提供我的电子邮件地址。
	所以我希望您喜欢这次演讲，也希望您喜欢会议的其余部分。 谢谢。

爆发数据探索美国能源部回复：我有力量！！： 复杂建模情况下的功率计算 (2020-US-30MP-544)

谢谢@calking ！ 我喜欢表变量提示 - 肯定会使用它！

回复：我有力量！！： 复杂建模情况下的功率计算 (2020-US-30MP-544)

谢谢@ktbrickey !!

 

对于从 GenReg 保存的公式，我相信它们是根据数据估计的，所有其他使用的参数也是如此。

 

一般来说，我认为历史误差估计将是首选。 您始终可以考虑使用一些略有不同的值运行一些功效计算，只是为了了解样本数量对历史值偏差的鲁棒性。

 

如果无法获得该信息，您还可以尝试通过获取主题专业知识或事先进行小型试点实验来生成估计值。 还可以根据文献中的类似结果和/或材料来估计值。

 

确定计算中使用的参数绝对是整个过程中比较棘手的方面之一。 这就是为什么我通常鼓励人们使用不同的值进行多次计算，这样你就不会冒着基于糟糕的选择而创建昂贵设计的风险。

 

最后一点提示。 使模拟运行更容易的一个好方法是使用表变量。 您可以从数据表上的红色小三角菜单或底部附近的公式编辑器中创建它们。 表变量的优点是您可以更改表中的值（靠近左上角），并且它也会自动更新使用该变量的任何公式。 制作视频后我发现了这一点；否则，它肯定会出现:-)。

回复：我有力量！！： 复杂建模情况下的功率计算 (2020-US-30MP-544)

精彩的演讲， @calking ！ 这非常有趣并且很有帮助。 感谢分享！

我对这些功率计算中使用的误差估计有疑问。 它们究竟来自哪里？ 例如，在从 GenReg 保存的模拟公式中，列公式是否包含基于随机生成的响应数据的误差项？ 在现实世界中，如果可用的话，您会在模拟公式中使用历史误差估计吗？