281499_ko-KR

liliconcom

나는 권한을 가지고있다!!: 복잡한 모델링 상황에서 검정력 계산(2020-US-30MP-544)

레벨: 중급

 

Caleb King, SAS Institute Inc. JMP 사업부의 연구 통계학자 개발자

 

변함없이 오랫동안 현장에 있었던 모든 분석가는 두려운 질문을 들었습니다. “X-샘플 수는 충분합니까? 실험에 얼마나 많은 데이터가 필요합니까?” 은밀한 동기는 차치하고 데이터와 관련된 모든 조사는 궁극적으로 "얼마나 많이?"라는 질문에 답해야 합니다. 과학적으로 중요한 효과를 감지하기에 데이터가 불충분하거나 데이터가 너무 많아 귀중한 자원이 낭비되는 위험을 피할 수 있습니다. 이는 기본 모델이 복잡할 때 특히 어려울 수 있습니다(예: 변경하기 어려운 요인이 있는 세로 설계, 검열이 있는 이벤트 시간 응답, 균일하지 않은 테스트 수준이 있는 이진 응답 등). 이 강연에서는 JMP Pro에서 원클릭 시뮬레이션의 "강력"을 활용하여 복잡한 모델링 상황에서 검정력 계산을 수행하는 방법을 보여줍니다. 광범위한 분야에 걸쳐 관련 응용 프로그램을 사용하여 이 기술을 설명합니다.

 

 

자동 생성된 성적표...

 

스피커	성적 증명서
케일럽 킹	안녕하세요, 제 이름은 갈렙 왕입니다. 저는 JMP에서 실험 설계 그룹의 연구 통계학자 개발자입니다.
	오늘은 JMP를 사용하여 복잡한 모델링 시나리오에 대한 검정력 계산을 계산하는 방법에 대해 말씀드리겠습니다. 요약하자면 모집단에 존재한다고 생각하는 과학적으로 유의미한 차이를 감지할 확률입니다.
	그리고 그것은 여러분이 해당 모집단에서 샘플링한 데이터의 현재 양이 주어졌을 때 그것을 탐지할 확률입니다.
	자, 대부분의 사람들은 검정력 계산을 할 때 일반적으로 연구를 위한 표본 크기를 결정하기 위해 합니다.
	둘 사이를 묶습니다. 샘플이 많을수록 과학적으로 유의미한 차이를 감지할 가능성이 커집니다.
	물론 이와 관련된 다른 요소가 있습니다. 응답 분포 유형을 사용하는 모델이 있습니다.
	그리고 물론 모집단에 존재하는 잡음과 불확실성의 양도 있지만 대부분의 사람들은 표본 크기를 결정하기 위한 메트릭으로 검정력을 사용합니다. 이제 세 단계가 있다고 말할 수 있습니다.
	특히 여기서 사용할 JMP Pro가 있는 경우에는 모두 JMP에서 다루어집니다.
	첫 번째 단계는 Design Diagnostics 아래의 DOE 메뉴로 이동하는 간단한 모델링 상황 중 일부입니다. 샘플 크기와 전력 계산기가 있습니다.
	그리고 이들은 매우 간단한 시나리오를 광범위하게 다룹니다. 따라서 하나 또는 두 개의 표본 평균을 테스트하는 경우 여러 평균을 사용하는 ANOVA 유형 설정일 수 있습니다.
	비율, 표준 편차. 이것의 대부분은 전력 계산을 생각할 때 사람들이 생각하는 것입니다. 그래서, 물론, 당신은 노이즈를 다시 지정합니다.
	오류율, 매개변수, 감지하려는 차이점, 샘플 크기를 얻을 수 있는 특정 검정력을 계산하려고 합니다.
	또는 조금 더 탐색하고 싶다면. 둘 다 비워 둘 수 있습니다. 전력 곡선을 얻습니다. 물론, 다시 말하지만, 이것들은 더 간단한 시나리오에 가깝습니다. 다음 단계는 좀 더 일반적인 선형 모델에서 다룰 수 있는 것입니다.
	이 경우 모든 사용자 정의 디자인 메뉴 아래로 이동할 수 있습니다.
	제가 좋아하는 효과를 넣어보겠습니다.
	계속을 클릭하겠습니다.
	그리고 나는 여기에 모든 것을 남길 것입니다.
	그래서 우리는 디자인을 만들 것입니다.
	그리고 이 시점에서 모델의 예상 계수를 기반으로 전력 분석을 수행할 수 있습니다. 따라서 이 경우에는 이 특정 디자인에 대해 12런 미만이라고 말할 수 있습니다. 나는 이 계수를 감지할 수 있는 대략 80%의 힘을 가지고 있습니다. 내가 조금 더 작은 것을 말하려고 시도했다면.
	물론 그 값을 변경하고 변경 사항을 적용할 수 있습니다. 봐, 난 그렇게 많은 힘이 없어. 그래서 그것이 정말로 내가 찾고 있는 것이라면. 약간의 변경을 할 수 있습니다. 돌아가서 실행 크기를 늘려야 할 수도 있습니다.
	따라서 이들은 우리가 검정력 계산을 수행할 수 있는 가장 일반적인 두 가지 설정이지만 물론 인생은 그렇게 단순하지 않습니다. 더 복잡한 설정에 부딪힐 수 있고 혼합 효과 요인이 있을 수 있으며 종단 연구에 들어갈 수 있습니다. 전력을 계산합니다.
	응답이 더 이상 일반 무작위 변수가 아닌 설정에 부딪힐 수 있으며, 카운트 데이터가 있을 수 있고 이진 응답이 있을 수 있습니다. 일종의 제한된 0/1 유형 응답이 있을 수도 있습니다. 따라서 백분율 유형 응답입니다.
	따라서 간단한 전력 계산기와 DOE 메뉴로 이동할 수 없다면 전력 분석을 실행하기에는 너무 복잡할 수 있습니다. JMP Pro는 원 클릭 시뮬레이션이라고 하는 도구를 포함하고 있습니다.
	여기서 아이디어는 몬테카를로 시뮬레이션 접근 방식을 통해 데이터 정렬을 시뮬레이션하여 특정 설정에 대해 얻을 수 있는 성능을 추정하는 것입니다.
	그리고 그것은 매우 간단합니다. 최소한 모델링 플랫폼에 따라 수행해야 하는 약간의 사전 작업이 있을 수 있습니다.
	하지만 일단 내려놓으세요. 매우 간단합니다.
	여기서 일하기 전까지 JMP가 할 수 있는 일인지도 몰랐던 일이었습니다. 그래서 제가 찾은 것을 여러분과 공유하게 되어 기쁩니다.
	자, 그럼 우리는 약간의 혼합 효과를 포함하는 표준 선형 모델의 간단한 확장으로 시작하겠습니다. 좋아요.
	그래서 시작하겠습니다. 세포 배양을 위한 양성자 단백질 수율을 개선하려는 회사가 있습니다. 양성자가 아니라 단백질입니다.
	온도, 시간, pH. 우리는 또한 몇 가지 혼합 요소가 있습니다.
	물과 두 가지 성장 인자. 이제 이 단계에서 여기서 멈추면 맞춤 설계 플랫폼에서 사용할 수 있는 전력 계산기를 계속 사용할 수 있을 것입니다.
	우리가 벗어나기 시작하는 부분은 이제 전체 기술자 샘플을 대표하는 세 명의 기술자 Bob, Di 및 Stan이 있는 임의 효과 요인을 도입하는 것입니다.
	그리고 그들은 세 개의 혈청 로트 중 적어도 하나를 사용할 것입니다. 이것은 다시 모든 혈청 로트를 나타내는 것이며, 무작위 효과로 취급하지 않는 한 사용할 수 있습니다.
	무작위 차단 효과도 있습니다. 이 경우 시험은 이틀에 걸쳐 진행됩니다. 따라서 원클릭 시뮬레이션과 JMP Pro를 사용하여 이 사례의 검정력을 계산하는 방법을 보여드리겠습니다. 클릭하여 디자인을 엽니다.
	이것이 제가 만든 디자인입니다. 모든 것을 볼 수 있도록 여기 창을 확장하겠습니다. 이제 이것은 디자인을 만든 후 일반적으로 얻는 것을 나타낼 수 있습니다.
	다시,
	이 시점에서 시뮬레이션 응답을 클릭하여 일부 응답을 시뮬레이션할 수 있습니다. 하지만 그러지 않아도 괜찮아
	단순히 새 열을 만드는 복제에 쉽게 사용할 수 있는 트릭이 들어갈 것입니다. 이 시점에서 이름을 바꾸지 않고 간단한 수식을 만들 것입니다.
	여기 왼쪽으로 가세요. 랜덤 랜덤 노멀 클릭
	모든 것을 기본값으로 두고 적용을 클릭합니다. 좋아요.
	그리고 우리는 임의의 노이즈 데이터를 얻었습니다. 일부 시뮬레이션 응답 데이터. 좋아요.
	이 시점에서 마우스 오른쪽 버튼을 클릭하고 복사합니다.
	내 응답 열을 가져오려면 붙여넣기를 마우스 오른쪽 버튼으로 클릭하세요.
	이제 필요한 것은 일종의 응답입니다. 따라서 간단한 임의 노이즈가 여기에서 잘 작동합니다. 아직 데이터를 분석하려고 하지 않습니다. 우리가 원하는 것은
	맞춤 모델 플랫폼을 사용하여 시뮬레이션 수식을 만드는 데 사용할 모델을 만듭니다. 우리가 하는 방식은 모델 아래로 갈 것입니다. 이제 여기서 약간의 헤드 작업을 수행했습니다.
	그래서 저는 이미 여기에 모델을 만들었습니다. 그리고 제가 어떻게 했는지 보여드리기 위해요. 다시 실행에서 다시 실행 분석 아래 여기로 이동합니다.
	여기 내 반응 단백질이 내 고정 효과를 산출하는 것을 볼 수 있습니다. 무작위 효과가 있습니다.
	나는 모든 것을했고 거기에서 모든 것을 꽤 표준으로 얻었습니다.
	이제 여기에서 많은 일이 벌어지고 있음을 알 수 있습니다. 우리는 이것에 주의를 기울일 필요가 없습니다. 우리는 단지 모델을 만드는 데 관심이 있습니다. 이 시점에서 우리가 하는 방법은 빨간색 삼각형 메뉴 아래로 들어가는 것입니다.
	저장된 열 아래로 이동합니다. 이제 어떤 열을 선택하는지 주의해야 합니다. 당신이 하고 싶은 예측 공식을 선택하면. 좋아요. 하지만 보시다시피 우리를 거기까지 데려다 주지는 않습니다.
	공식에 들어가면. 이것은 평균 예측 공식입니다. 여기에는 무작위 효과에 대한 내용이 없습니다. 그래서 이것은 내가 원하는 칼럼이 아닙니다. 그것은 완전하지 않습니다 내가 필요한 모든 것을 포함하지 않습니다. 나는 돌아와야 한다.
	열 저장 아래로 다시 이동하여 여기에서 조건부 예측 수식까지 아래로 스크롤하고 내가 원하는 무작위 효과 추정치를 포함하는 호버 도움말에서 메모합니다.
	이제 무작위 효과에 대한 검정력을 실제로 계산하고 싶지 않은 경우가 있을 수 있습니다. 당신은 단지 평균 모델을 원합니다. 이 경우
	사용자 정의 디자인 플랫폼으로 쉽게 돌아가서 그렇게 할 수 있었습니다. 이러한 무작위 효과에도 관심이 있다고 가정해 봅시다.
	이제 조건부 예측 공식을 저장했습니다.
	다시, 우리는 들어가서 공식을 볼 것입니다.
	여기에서 임의의 효과가 있음을 볼 수 있습니다. 이제 우리가 원하는 시뮬레이션으로 가져오기 위해 여기에서 약간의 조정이 필요합니다. 여기를 두 번 클릭하겠습니다.
	JMP 스크립팅 언어 형식화를 시작합니다.
	이제 먼저 주 효과를 약간 변경하겠습니다. 몇 가지 값을 선택하겠습니다. 그래서 보자. 온도를 0.5로 합시다
	0.1 시간.
	그리고 pH를 위해. 1.2를 조금 높게 해봅시다.
	물을 위해. 나는 더 높이 갈 것이다. 그래서 이들은 더 큰 계수를 가질 수 있습니다. 그래서 나는 물을 위해 85를 할 것입니다.
	90개 할게요
	성장제일 성장인자를 위하여. 그리고 50을 해보자
	성장 인자도. 좋아요.
	좋습니다. 그래서 저는 주요 평균 모델 부분을 조정했습니다. 이제 다시, 이것들은 과학적으로 중요하다고 생각하는 매개변수입니다.
	이제 무작위 효과입니다. 이와 같은 것으로 교체하고 싶은 유혹을 느낄 수 있습니다. 좋아요. 그것은 무작위 효과 여야합니다. 그래서 여기에 임의의 법선을 넣겠습니다.
	그리고 그것은 맞는 것처럼 보이지만 정확하지는 않습니다. 그 이유는 이 공식이 행별로 평가되기 때문입니다. Jill이라는 기술자를 처음 만날 때 일어날 일입니다.
	여기에서 임의의 값을 시뮬레이트하고 해당 공식 평가에 대한 값을 얻을 수 있지만 다음에 감옥에 갈 때. 여기에 6개를 썼습니다.
	이렇게 하면 다른 값을 시뮬레이트한 다음 무작위 효과가 매번 동일한 값을 유지해야 하는 무작위 효과의 목적을 상실하게 됩니다. 질이 나타난다
	그것은 우리가 모든 행을 변경하고자 하는 값인 임의의 오류와 같은 것의 영향을 미치게 될 것입니다. 그럼 이것을 어떻게 잘 극복해야 할까요.
	제가 이것을 처음 발표했을 때 약간 부끄러운 일을 실제로 하게 되었기 때문에 이것을 말씀드립니다.
	그리고 고맙게도 동료가 따라왔다. 그 후, 실제로 무작위 효과를 적절하게 입력하는 방법에 대한 요령을 보여주었으며 여기에 요령이 있습니다.
	여기 맨 위로 이동하여 if 행을 입력합니다.
	1과 같음
	tech Jill이라는 변수를 생성하겠습니다.
	그리고 지금 여기 내가 그것을 두는 곳
	이 트릭이 하는 일은 이 랜덤 노멀을 기술 Jill로 대체하는 것입니다.
	이것이 할 일은 무작위 변수를 시뮬레이트하는 첫 번째 행인 경우 이 매개변수 값 내부에서 해당 변수에 해당 값을 할당하는 것입니다.
	첫 번째 행에서 우리는 다시 시뮬레이트하지 않습니다. 즉, 기술적으로 Jill이 처음에 주어진 값을 유지하고 우리가 그것을 두는 모든 위치를 유지한다는 의미입니다.
	그래서 우리는 똑같이 할 것입니다.
	밥을 위해
	보시다시피 무작위 효과의 작업을 수행합니다.
	PUT BOB 여기 Stan 일이 조금 더 쉽습니다. 무작위 효과가 모델에서 0이 되어야 하기 때문에 그를 위해 시뮬레이션할 필요가 없습니다.
	그래서 우리가 하는 방식입니다.
	우리는 그를 반대쪽으로 만듭니다.
	다른 효과 중 일부.
	혈청 로트 1에 대해 동일한 작업을 수행합니다.
	이제 이것에 대해 좀 더 많은 소음을 줄 것입니다.
	소음이 조금 더 있다고 가정해 보겠습니다.
	혈청 로트
	이 접근법의 장점은 다양한 시나리오를 가지고 놀 수 있다는 것입니다.
	여기에 해당 값을 입력합니다.
	좋아요.
케일럽 킹	그리고 다시, 이것.
	다른 사람들 중 일부. 그리고 다른 것을 추가하기 전에. 첫날부터 작업이 쉬워지므로 여기에 추가하겠습니다.
	부정적인 첫날.
	여기에 무작위 효과를 추가하고 무작위 효과라고 하겠습니다.
	입력할 수 있습니다
	조금 더 작습니다.
	좋습니다. 이 시점에서 우리는 완전한 시뮬레이션 공식을 가져야 합니다. 확인을 클릭하면 수식 편집기 보기로 돌아갑니다.
	가도 좋습니다.
	좋습니다. 시뮬레이션 공식이 있습니다.
	이제 다음에 무엇을 해야 할까요? 적합 모델로 돌아가겠습니다.
	그리고 우리는 힘을 시뮬레이트하고 싶은 지역으로 갈 것입니다.
	고정 효과 테스트 상자 아래로 이동하겠습니다. 나는 여기 이 칼럼으로 갈 것입니다. 이 경우에 원래의 시끄러운 시뮬레이션은 우리에게 어떤 P 값도 주지 않은 p 값입니다. 괜찮아요. 우리는 그것에 대해 신경 쓰지 않습니다.
	우리는 모델을 생성하기 위해 이것이 필요했고, 그런 다음 시뮬레이션 공식으로 바꿨습니다. 이 열 아래를 마우스 오른쪽 버튼으로 클릭합니다. 이제 이것은 JMPed pro가 있는 경우에만 작동한다는 것을 기억하십시오.
	그리고 여기 맨 아래에는 시뮬레이션이 있습니다. 그래서 우리는 그것을 클릭합니다.
	그리고 어떤 열을 전환할지 묻습니다. 따라서 기본적으로 응답 열을 선택한 다음 모든 시뮬레이션 수식 열이 있는 곳을 찾아갑니다. 따라서 여기에는 시뮬레이션 모델이 포함되어 있기 때문에 이 항목으로 전환하려고 합니다.
	샘플 수를 알려주고 100개를 수행합니다.
	내가 가장 좋아하는 임의의 씨앗을 줄 것입니다.
	확인을 클릭합니다.
	1~2초 정도 기다리세요.
	그리고 우리는 있습니다.
	따라서 시뮬레이터 응답인 테이블을 생성했습니다. 모델에 딱 맞습니다.
	그리고 P 값을 다시 보고합니다. 이제 P 값이 없는 경우가 있습니다. 우리가 시작한 상황에서 너무 많은 상황에 처하게 되었고 괜찮습니다. 이는 추정치를 얻을 수 있을 만큼 충분한 숫자가 있는 한 시뮬레이션에서 발생합니다.
	이제 이것에 대한 좋은 점은 JMPed가 우리가 P 값을 시뮬레이션하고 있음을 보았다는 것입니다. 그래서 그것입니다. 나는 당신이 전력 분석을 수행하는 데 이기고 있다고 확신하며 그렇게 할 수 있는 스크립트를 기꺼이 제공했습니다. JMP에게 감사드립니다.
	우리는 그것을 실행하고 당신은 그것이 배포 플랫폼과 매우 흡사하다는 것을 알게 될 것입니다. 각 행의 분포가 완료되었습니다. 실례합니다. 열이지만 여기에 추가된 기능과 함께 시뮬레이션된 전력을 보여주는 새로운 테이블이 있습니다.
	우리는 100이 아닌 다른 숫자인 경우 이러한 사무실 종류의 예상 전력을 읽을 수 있으며 거부율을 볼 수 있습니다. 그래서 우리는 여기에서 우리의 세 가지 혼합 요인을 봅니다. 우리가 가진 모든 것을 감안할 때 우리는 꽤 좋은 힘을 가지고 있는 것 같습니다.
	이러한 특정 계수를 감지합니다. 여기에서 다른 세 가지 요소로 넘어가면 상황이 좋아 보이지 않습니다.
	그래서 우리는 돌아가서 이렇게 말해야 합니다.
	돌아가서 내가 감지할 수 있는 최대값이 무엇인지 알아보고 이를 최소화하겠습니다.
	테이블을 최소화합니다. 나는 내 공식으로 돌아와서 다른 것을 해보자고 말할 것입니다.
	여기서 뭔가 다른 것을 하십시오.
	이것을 바꾸면 어떻게 될까요? 그래서 이것은 포인트 5였습니다. 약 1에 대해 더 높으면 어떨지 알 수 있습니다.
	당분간. 보자, 우리도 하나 만들어 보자
	그리고 4개의 pH. 3번으로 가겠습니다. 그래서 나는 물건을 조금 부딪치게 할 것입니다. 알다시피, 내가 이것을 감지할 수 있을까요?
	우리는 그것들을 감지할 수 있다는 것을 알고 있기 때문에 다른 모든 것을 동일하게 유지할 것입니다. 적용을 클릭하면 새로운 백이 생성된 것 같습니다.
	다시 말하지만, 같은 것입니다. 빠른 시뮬레이트하려는 열 아래를 마우스 오른쪽 버튼으로 클릭하면 전환됩니다.
	특정 수의 샘플이 주어집니다. 그러니 붙이세요
	같은 씨앗.
	그리고 우리는 갈거야
	시뮬레이션이 완료될 때까지 몇 초만 기다리면 됩니다.
	여기 있습니다.
	그리고 전력 분석을 다시 실행할 것입니다.
	여기도 똑같나 봐요. 우리는 거기에서 아무것도 바꾸지 않았습니다. 그래서 사실, 저는 이 그룹들을 묶을 것입니다. 조금 너무 많이. 시작합니다. 이 세 가지를 숨기자
	이것들을 봅시다. 따라서 우리는 pH에서 더 나은 것으로 보이므로 1의 값은 주어진 샘플 크기에서 감지할 수 있는 것의 상위 범위일 수 있습니다.
	그러나 시간의 온도에 대해서는 여전히 감지할 수 없는 것 같습니다. 이러한 높은 값도 마찬가지입니다. 그래, 알았어. 음, 우리가 무엇을 바꿀 수 있을까요? 샘플 수를 두 배로 늘리면 어떻게 될까요? 내 말은, 우리는
	샘플 크기에 대해 이것을 계산합니다. 그럼 돌아가서 우리가 할 수 있는 한 가지 방법으로 돌아가 봅시다. 우리는 우리를 할 수 있습니다. 우리는 증강 설계를 클릭할 수 있습니다.
	모든 요인을 선택합니다.
	우리의 응답을 선택하십시오.
	확인을 클릭합니다.
	우리는 단지 디자인을 보강할 것입니다.
	이번에는 두 배로 하면 24가 됩니다.
	그래서 디자인을 하겠습니다.
	그리고 그것은 약간의 시간이 걸릴 것입니다. 그래서 나는 실제로
	조금 일찍.
	그리고 봅시다, 우리는 테이블을 만들 것입니다.
	자, 이제 실행 횟수를 두 배로 늘렸습니다.
	그리고
	그래서 응답의 절반만 제공했습니다. 괜찮아요. 응답이 필요하기 때문입니다. 이것만 가져가서 복습할게요
	그리고 붙여넣기
	실생활에서의 코스. 다른 응답을 얻을 수 있기를 바라기 때문에 그렇게 하고 싶지 않을 것입니다. 그러나 다시, 우리는 잡음 잡음 응답이 필요합니다. 모델로 이동합니다. 이제 이번에는 문제를 조금 수정해야 합니다. 이 세 가지를 선택하겠습니다. 여기 속성 아래로 이동하면 무작위 효과가 있다고 합니다.
	모든 것을 동일하게 유지하십시오. 실행을 클릭합니다.
	나는 아직 내 시뮬레이션 공식을 가지고 있지 않다는 것을 알게 될 것입니다. 그것을 살펴보고 다시 빌드해야 하는 것이 아닙니다. 실제로 새 열을 만들고 이전 열로 돌아갈 수 있습니다.
	열 속성 복사를 마우스 오른쪽 버튼으로 클릭합니다.
	돌아와서 열 복사 붙여넣기를 마우스 오른쪽 버튼으로 클릭하면 이제 사용할 준비가 되었습니다. 자, 이 상황에서 우리가 처음에 가지고 있던 가치를 유지한다면 어떨까요?
	그래서 나는 돌아갈 것이다. 이것을 두 번 클릭하여 모델 맞춤 창을 엽니다.
	고정 효과 테스트로 이동하여 p 값 시뮬레이션에 동의할 가능성이 있는 항목을 마우스 오른쪽 버튼으로 클릭하고
	나는 이것을 바꾸지 않을 것입니다. 왜냐하면 우리가 원하는 하나를 허용하고 올바른 응답을 찾았기 때문에 하나의 시뮬레이션만 있었기 때문입니다.
	그래서 저는 이것들을 바꿀 것입니다.
	이 경우 어떻게 되는지 봅시다.
	괜찮은.
	전력 분석을 실행합니다. 이제 다시, 나는 이것들에 대해 걱정하지 않을 것입니다
	혼합 효과는 보시다시피 이미 훌륭했던 원래보다 더 좋아졌기 때문입니다. 그래서 나는 그들을 다시 숨길 것입니다.
	따라서 우리는 이 경우 pH에 관심이 있는 사람들을 더 쉽게 볼 수 있습니다. 우리는 이전의 12번 런으로도 아마 더 잘할 것이라는 것을 알고 있었습니다. 우리는 꽤 좋은 힘을 가졌습니다.
	시간이 지남에 따라 온도가 확실히 개선된 것 같습니다. 따라서 효과 크기의 상한선을 나타내는 경우 하한선에 관심이 있을 수 있으며 이는 샘플 크기를 두 배로 늘리는 것이 도움이 될 수 있음을 나타내는 것 같습니다.
	그래서 이것들은 우리가 그것을 어떻게 사용할 수 있는지를 보여줍니다. 우선, 원 클릭 시뮬레이트를 수행하는 방법
	그런 다음 전력 계산을 수행하고 무언가를 하도록 권장하는 데 어떻게 사용할 수 있습니까? 저는 사람들에게 옵션을 제공하고 귀하의 옵션을 탐색하는 JMP에 오기 전에 종종 그랬습니다. 샘플 크기 동안 온도와 시간에 도움이 되는 것 같습니다.
	찾고 있는 것을 변경하면 pH와 pH에 도움이 되는 것 같고 혼합 효과는 괜찮을 것 같습니다.
	따라서 다시 돌아가 임의 효과 추정치의 분산을 변경하는 것도 포함될 수 있습니다.
	예를 들어 여기로 돌아올 수 있습니다. 나는 그것을 하지 않을 것입니다. 하지만 저는 이 값을 변경하고 세럼 로트가 덜 시끄러운 곳에서 기술자가 조금 더 시끄럽다면 어떻게 되는지 알 수 있습니다. 테스트 계획이 예상치 못한 설정에 대해 보다 견고하도록 상황을 시도하고 찾으십시오.
	알았어, 그럼 내가 청소하게 해줘
	이 모든 것을 닫으십시오.
	괜찮은.
	따라서 나머지 시나리오에 대해. 이것을 구현할 수 있는 방법에 대한 다양한 테이크를 탐색할 것입니다. 따라서 일반적인 접근 방식은 동일합니다. 응답을 시뮬레이션하는 디자인을 만듭니다.
	우리는 모델에 적합합니다. 또는 이 경우 모델을 생성하기 위해 약간 다른 플랫폼을 사용하고 있습니다.
	그런 다음 해당 모델을 사용하여 시뮬레이션 수식을 만든 다음 사용하고 한 번의 클릭으로 시뮬레이션 접근 방식을 사용합니다.
	이제 그들이 가지고 있는 이 사건을 수행할 회사가 있는 경우를 살펴보겠습니다. 하지만 그들이 직원들을 대상으로 설문조사를 실시하고 어떤 요인이 직원 감소에 영향을 미치는지 확인하려고 한다고 가정해 봅시다. 그래서 아마도
	퇴사하는 직원이 많습니다. 그래서 그들은 어떤 요소를 평가하기 위한 설문조사를 실시하고 싶어하며 얼마나 많은 응답자가 있는지 알고 싶어하므로 계획을 세워야 합니다.
	이제 회사의 몇 년 동안의 응답이지만 두 가지 작은 꼬임입니다. 첫째, 저는 직원이 감원으로 간주되려면 떠나기 최소 한 달 전에 근무해야 합니다.
	그리고 다른 하나는 응답이 몇 년 안에 주어지지만 아마도 우리는 몇 달에 대해 더 염려한다는 것입니다. 몇 개월. 아마도 이것이 우리의 예산 책정 소프트웨어가 작동하는 방식일 것입니다.
	그리고 직원들에게는 대답하기가 더 쉬울 수 있습니다. 그리고 몇 년, 몇 달이 아니라 몇 년이 되었는지. 그들은 회사에 있었습니다.
	그래서 이 경우에 우리는 몇 년이 주어졌기 때문에 간격 검열을 합니다. 하지만 그것은 단지 그들이 그 수년과 1년 사이에 거기에 있었다는 것을 말해줍니다. 1개월에서 1년 사이에 검열됩니다.
	그래서 무대 테이블을 엽니다. 나는 이미 많이 설정했습니다. 여기에는 많은 요소가 있으며 끝까지 스크롤합니다. 따라서 우리가 보고 있는 응답을 볼 수 있습니다.
	그래서 다시, 우리는 연중 최저점과 최고점을 가지고 있습니다. 따라서 이것이 의미하는 바는 직원이 6년 후에 퇴사했다고 응답하는 경우입니다. 즉, 실제 시간은 6~7년 정도인 달 단위로 표시됩니다.
	그들이 1년 전에 떠났다면 우리는 그들이 한 달에서 1년 사이에 그곳에 있었다는 것을 압니다.
	여기에서 이 대화 상자 버튼을 클릭하여 구간 관측 중단을 시작하겠습니다. 우리는 일반 플랫폼을 사용할 것입니다. 우리는 응답에 대해 wible 분포를 가정할 것입니다.
	우리가 처리하는 방식에 간격 검열이 있기 때문에 여기에 검열 코드를 넣지 않습니다.
	당신이 보게 될 것입니다. 좋아요. 여기 표시되는 모든 요소는 실행을 클릭할 때 JMP가 이벤트 배포 시간으로 인식되고 '알겠습니다. 두 개의 응답 열을 제공했다면'이라고 말할 때입니다. 그것은 당신이 이 경우에 간격 감각을 하고 있다는 것을 의미합니까? 네, 우리는.
	그래서 지금.
	우리는 같은 일을 겪을 것입니다. 우리는 올바른 빨간색 삼각형을 찾을 것입니다. 이 경우 waibel 최대 우도 옆에 있습니다. 이제 정말 좋은 점은
	플랫폼을 생성합니다. 이제 그것에 대해 이미 많은 좋은 것들이 있습니다. 그러나 여기에는 상단에 약간의 장식이 더 있습니다.
	이 버튼을 클릭할 때 미리 들어가서 예측 공식을 저장하고 임의의 값을 알 수 있도록 약간의 조정을 해야 합니다. 시뮬레이션은 필요에 따라 사물을 조정합니다.
	이것은 일반적이지만.
	클릭 한 번으로 시뮬레이션을 수행할 수 있다는 것을 알고 있으므로 "이봐, 내가 실제로 시뮬레이션 공식을 저장해 줄래? 관심이 있다면 그렇게 해줄래?"라고 묻습니다. 시뮬레이션 공식 저장을 클릭합니다.
	우리 테이블로 돌아가자.
	그리고 당신은 그것이 단지 하나의 평온함을 시뮬레이션했음을 알 수 있을 것입니다. 그 이유에 대해서는 잠시 후에 좀 더 이야기하겠습니다. 하지만 진짜 빠른 확인을 해보자
	실제로 두 번 클릭하여 스크립팅 언어를 불러오면 이미 무작위로 설정되어 있고 모델의 변형이 이미 있는 것을 볼 수 있습니다.
	이 시점에서 해야 할 일은 이러한 매개변수 값을 과학적으로 중요한 값으로 변경하는 것입니다.
	알겠습니다. 이제 이 목적을 위해 그렇게 하지 않겠습니다. 그냥 그대로 두겠습니다. 그래도 한 가지만 변경하고 복제를 시도하고 싶습니다.
	우리가 사용할 실제 상황입니다. 여기를 참고하세요. 이것들은 실제로 우리가 멋진 홀 연도 숫자를 얻어야 할 때 연속적인 값입니다. 그래서 내가 할 수 있는 방법.
	이것은 년입니다. 안녕하세요, 간단한 변수를 만들어서 실제 연속 시간과 같게 하되 상한값을 반환하도록 하겠습니다.
	본질적으로 반올림
	주름. 좋아요. 그리고 거기 당신은 그것을 가지고 있습니다.
	당신이 볼 수 있듯이, 이것은 내가 당신을 시뮬레이트했다는 것을 말해 줄 것입니다. 안녕. 지금,
	에게
	한 번의 클릭으로 시뮬레이션을 수행하면 여기에 모두 있습니다. 효과 테스트를 공개하겠습니다.
	마우스 오른쪽 버튼을 클릭한 다음 시뮬레이션을 클릭하면 한 번에 하나의 열만 입력할 수 있었습니다. 드래그하여 둘 이상을 선택할 수 없습니다.
	자, 내가 당신의 것이었던 몇 년 동안 이곳에서 일했다면. 괜찮아 보이는 시뮬레이션 안녕하세요. 문제는 올해 저점이다. 이제 올해 최저가가 도입되고 있습니다. 원래 모델의 일부였기 때문입니다.
	하지만 우리가 되돌아보면 원래 사용했던 것은 그 해의 작은 것입니다. 우리는 이미 문제를 보고 있습니다. 이 진짜 빠른 것을 취소하겠습니다.
	예를 들어, 우리가 그렇게 한다면. 그것은 이 첫 번째 것에는 맞지 않을 것입니다. 왜냐하면 최고가 당신보다 낮기 때문입니다. 올해 최저치는 시뮬레이션 응답과 관련이 없습니다. 그렇다면 연결을 위해 연결해야 하는 문제를 어떻게 해결해야 할까요? 그래서 네게 갈게, low
	수식을 클릭하겠습니다. 여기에는 이미 공식이 있습니다. 빠르게 변경하겠습니다.
	시뮬레이션 공식을 두 번 클릭하면 그렇게 할 수 있습니다.
	더블 클릭입니다. 그래서 몇 년 동안 한 번에 112를 반환합니다.
	그렇지 않으면 시뮬레이션 값에서 1을 뺀 값을 반환합니다.
	이제 확인을 클릭하고 적용하십시오
	당신이 볼 수 있듯이 그것의 적절한 그것의 적절한 지금 그것은 그것에 묶여 있습니다.
	그럼 이제 돌아갈 수 있어
	마우스 오른쪽 버튼을 클릭하고 시뮬레이션을 수행하면 높은 연도를 시뮬레이션 공식으로 바꿀 수 있고 낮은 연도가 적절할 것이라는 사실을 알기에 편안합니다. 이미 1년이 아닌 한 항상 1년 더 낮을 것입니다.
	그래서 이제 그것에 묶여 있고, 그들이 시뮬레이션을 할 때 항상 가져올 것입니다.
	빠른 시뮬레이션을 정말 빠르게 실행하겠습니다.
	우리는 거기에 갈. 조금 느려지고 있습니다. 좋은 징조입니다.
	끝내도록 할게요
	괜찮은. 그래서 우리의 시뮬레이션이 있습니다.
	그리고 물론 우리는 전력 분석을 실행할 수 있습니다. 이 경우 우리는 이것을 재생하기 위해 1400 70 인용구가 있다고 생각하는 많은 요소를 가지고 있습니다.
	그들 중 많은 사람들이 과잉이었습니다.
	그러나 그들 중 일부에게는 놀랍게도. 여전히 문제가 있습니다. 그래서 그것은 조사할 가치가 있는 것일 수 있습니다. 아마도 우리는 그렇게 낮은 계수를 감지할 수 없을 것입니다.
	계획 회의에서 논의할 이러한 요소에 대해 변경해야 할 수도 있습니다.
	이것이 바로 이 사례가 있을 때 일을 처리하는 방법입니다. 그가 올바른 검열을 가지고 있으면 검열 열이 있는 경우 간격 검열이 있었습니다.
	당신도 마찬가지입니다. 그것은 실제 시간에 대한 시뮬레이션을 출력할 것입니다. 나는 당신이 그것에 약간의 조정을 할 수 있다고 말하고 싶습니다.
	응답에 표시되는 시간 유형 또는 기대하는 시간과 일치하는지 확인합니다. 그런 다음 검열 열을 시뮬레이션에 연결해야 하며 이는 해당 유형의 설정이 있을 때마다 발생합니다.
	좋아요.
	이 모든 것을 정리합시다.
	그럼 다른 하나를 보자.
	비정상 응답이 있는 경우 어떻게 됩니까? 그래서 우리는 이미 하나를 보았습니다. 우리는 신뢰성 유형 응답을 보았습니다. 그래서 우리는 생성을 사용할 수 있다는 것을 알고 있습니다. 다른 것을 빠르게 살펴보겠습니다. 이 경우 정상적인 응답이 있습니다.
	시험.
	시스템은 응답에 대해 일정 비율의 무기를 평평하게 만들 수 있습니다. 이제 기술적으로 이것을 정규 분포로 모델링할 수 있습니다.
	약 50% 포인트 사이의 값을 기대하는 한 괜찮을 수 있습니다.
	하지만 아니오, 우리는 이것이 매우 정확한 무기 플랫폼이 되기를 원하기 때문에 100%에 가까운 응답을 보기를 바랍니다.
	따라서 베타 배포 응답과 같은 것이 더 적절할 수 있습니다. 우리는 주름 중 하나가 있습니다. 이 세 가지 관심 요소가 있지만 그 중 하나입니다. 대상은 퓨즈 유형 내에 중첩됩니다. 따라서 대상 요인의 유형은 퓨즈 유형에 따라 달라집니다.
	케이스가 정말 빨리 실행됩니다. 다시, 우리는 데이터를 만들었습니다.
	이 경우 임의의 데이터를 시뮬레이션하고 0과 1 사이에서 일치하도록 했습니다. 나는 단순히 임의의 법선의 로지스틱 변환을 취함으로써 그렇게 했습니다.
	좋아요.
케일럽 킹	복사하겠습니다
	반죽.
	내가 붙여넣을 수 있는지 확인
	그리고 다시, 그것을 통과하십시오.
	아주 간단합니다.
	우리는 베타 응답을 사용할 것입니다. 응답이 있습니다. 우리는 미래 유형 내에 목표를 내포했습니다.
	실행을 클릭합니다.
	그리고 다시, 빨간 삼각형. 많은 사람들이 열이 시뮬레이션 공식을 저장한다고 말합니다. 그리고 이것이 레귤러 핏 모델에 대한 생성에서 할 수 있는 일입니다. 안타깝게도 그렇게 할 수 없습니다.
	하지만 시뮬레이션 공식이 있습니다. 변경하지 않겠습니다.
	하지만 들어갈 수는 있습니다. 구조를 보시다시피 더블 클릭이 이미 있습니다. 심지어 물류 변환. 따라서 모델 매개변수를 입력하기만 하면 됩니다.
	실례합니다.
케일럽 킹	빠른. 좋아요.
	안녕. 좋아요. 그리고 다시, 우리는 내려갈 것입니다.
	그리고 그것이 당신이 하는 방법입니다. 그래서 우리는 내려갑니다.
	효과 테스트, 시뮬레이션을 마우스 오른쪽 버튼으로 클릭
	교체하고 이동
	좋아요, 일반적으로 얼마나 쉬운지 보세요. 따라서 비정상 응답이 있는 경우에도 마찬가지입니다.
	가셔도 좋습니다. 생성 덕분에
	좋아요.
	지금,
	종단 데이터가 있다면 어떨까요? 이제는 응답이 서로 상관될 수 있기 때문에 까다로울 수 있습니다. 그래서 우리가 그것을 잘 통합할 수 있는 방법은 간단합니다.
	이 경우에는 콜레스테롤을 낮추는 치료제를 생산하는 회사의 예가 있습니다. 치료라고 하자,
	완료를 위해 경쟁사 치료와 비교하기 위한 연구를 실행할 예정입니다. 대조군과 위약 그룹은 그룹당 5명의 피험자가 있을 것입니다. 석 달 동안 한 달.
	이제 저는 이것에 대해 너무 많은 시간을 할애하지 않을 것입니다. 왜냐면 저는 단지 여러분이 종방향 측면을 통합하는 방법을 보여드리고 싶기 때문입니다. 그래서 이 경우는 이미
	시뮬레이션 공식을 만든 모델을 만들었습니다. 이제 이를 수행하는 방법에 대한 참조로 사용할 수 있습니다. AR one 모델이 있다고 가정해 보겠습니다.
	그리고 이것에 대해 정말 빨리.
	당신에게 보여주기 위해. 모든 고정 효과가 있습니다. 여기에서 우리는 많은 상호 작용을 얻었습니다. 공식을 보여드릴 때 공식이 약간 지저분해 보일 수 있다는 점을 명심하세요.
	당신은
	우리는 반복되는 구조를 가지고 있다고 말했습니다. 그래서 저는 AR one을 선택했습니다.
	과목 내 일별 기간. 좋아요. 다음 모델 플랫폼에서.
	그래서 그 시대를 내 시뮬레이션 공식에 어떻게 통합합니까? 저는 이렇게 했습니다.
	첫 번째 행 또는 새 환자인 경우. 이것이 현재 환자가 이전 환자와 같지 않다는 것을 의미합니다.
	이것은 내가 저장한 모델입니다. 매개변수 값을 관심 있는 것으로 변경했습니다. 여기에 많은 일이 있기 때문에 약간의 작업이 필요했습니다. 많은 상호 작용이 일어나고 있습니다.
	마지막에 임의의 노이즈가 있습니다. 하지만 그게 내가 한 전부입니다. 그래서 여기에서 몇 가지 값을 변경했습니다. 일을 쉽게 하기 위해 많은 것을 0으로 만들었습니다.
	첫 번째 행이 아니거나 신규 환자가 아닌 경우. 상관 관계를 어떻게 통합합니까? 내가 하는 일은 그 모델을 여기까지 복사하고 이 용어를 추가하는 것뿐입니다.
	약간의 가치. 이전 항목의 1배와 1보다 작아야 한다고 생각합니다.
	자동 회귀라면 지연과 같은 것을 추가합니다.
	Sim 공식을
	그리고 첫 번째 행인지 알 수 있는 또 다른 조정을 해야 합니다. 우리는 모델을 가지고 있습니다. 그것은 두 번째 행이거나 새로운 환자로 두 곳이었습니다. 우리가 돌아가는 다른 것이 있다면 AR처럼 보일 수 있습니다.
	보시다시피 모델이 어떻게 보이는지 알고 있는 한 자동 상관 구조를 통합하기가 매우 쉽습니다. 시뮬레이션 공식으로 구현하기 쉬워야 합니다.
	좋아요.
케일럽 킹	나는 당신이 그것을 빨리 보게 할 것입니다.
	마지막으로,
	우리의 마지막 시나리오는 통과 실패 응답이며, 이는 또한 매우 일반적입니다. 이것을 사용하여 클릭 한 번으로 시뮬레이션을 사용하여 특정 유형의 디자인을 실행하는 방법에 대한 사람들의 생각을 바꿀 수 있는 방법을 설명하고 이것이 얼마나 강력한지 보여줍니다.
	의도하지 않음
	방사성 물질을 탐지하기 위해 만들고 있는 탐지 시스템이 있다고 가정해 봅시다. 그래서 우리는 그것을 이미 현장에 있는 다른 시스템과 비교할 것입니다.
	그래서 우리는 특정 양의 물질과 몇 가지 테스트 개체를 선택한 이 두 가지 감지 시스템을 비교할 것입니다. 1의 매우 낮은 농도에서 5의 매우 높은 농도까지 그리고 테스트할 것입니다.
	당사의 시스템은 각 농도에서 일정 횟수 반복하여 성공적으로 경보를 울리는 횟수를 확인합니다.
	이 두 개를 모두 열어보겠습니다.
	이것부터 시작합시다. 따라서 이것은 일반적인 디자인을 나타내며 각 설정으로 균형 잡힌 샘플 수를 볼 수 있습니다. 이 경우 많은 샘플이 있습니다. 그들은 이 장소가
	우리가 각 실행에서 32개의 균형 시험을 할 것이라고 가정해 봅시다. 이것은 시뮬레이션된 반응입니다. 좋아, 말해 보자. 그런 다음 여기에 시뮬레이션 공식을 만들었습니다.
	그래서 어떤 모습인지 보여드리겠습니다. 다시 말하지만, 무작위 이항식입니다. 그들은 모두 동일합니다. 그래서 여기에 숫자를 보관했지만, 인디 일관성에서 비롯된 시련의 경보 열을 참조할 수 있었지만 괜찮습니다.
	여기 내가 관심을 가질 만한 내 모델이 있습니다.
	좋아요.
	그리고 여기.
	나는 균형 잡힌 숫자와 각 설정 대신 대부분의 샘플을 중간에 두는 시나리오가 있습니다.
	내 추론은 농도가 낮 으면 그럴 것입니다. 나는 그것이 그것을 잡을 것이라고 거의 기대하지 않습니다. 나는 합리적인 기대를 가지고 있습니다.
	그리고 그것이 높은 농도라면 거의 항상 그것을 잡을 것입니다. 그래서 나에게 가장 중요한 차이점은 중간에 있습니다. 아마도 서너 가지 농도일 것입니다.
	그래서 제가 로드할 곳입니다. 대부분의 샘플을 여기에 추가하겠습니다. 그러나 이러한 다른 설정에는 가장 적은 수를 두십시오. 각각의 테스트 계획이 성능 측면에서 어떻게 형성되는지 살펴보겠습니다.
	따라서 이항 모델을 실행할 이항 모델 스크립트를 여기에서 실행하십시오. 시스템에는 하나의 모델 효과만 있습니다. 우리는 여기에 효과가 있다는 것을 알기 때문에 집중하지 않습니다. 이것이 우리가 관심을 갖는 것입니다.
	이항식을 생성합니다.
	빨간색 삼각형 메뉴를 다시 실행하세요.
	이미 시뮬레이션 공식이 있습니다.
	그래서 실제로 그렇게 할 필요가 없습니다.
	그래서 당신은 이미 패턴을 구축했습니다.
	시뮬레이션합니까를 마우스 오른쪽 버튼으로 클릭합니다. 좋아, 모든 것이 좋아 보인다.
	다음으로 좋아하는 임의의 씨앗.
	다음은 전력 분석입니다. 자, 이제 여기로 가보겠습니다.
	같은 일을하십시오. 이항식을 가질 때 모델과 다시 맞출 것입니다. 알람이 몇 번인지 뿐만 아니라 몇 번 시도 중인지도 입력해야 합니다.
	실행 효과 테스트를 아래로 스크롤하고 아래로 이동하십시오.
	일차적으로 일어날 일에 대한 힌트를 얻습니다.
	빠른. 좋아요.
	여기 내 시뮬레이션이 있습니다. 평행선을 여기로 가져오고 최소화하십시오. 균형 설계에서 얻을 수 있는 것은 다음과 같습니다.
	각 실행에 32가 있었기 때문에 이상하게 보이는 매우 낮은 전력을 가지고 있음에 주목하십시오. 내 말은, 그것은 많은 샘플입니다. 이전에 작업했던 많은 샘플을 위해 죽였을 것입니다.
	그래서 당신은 많은 힘을 기대하겠지만, 여기에는 그렇지 않은 것 같습니다. 총 샘플 수는 동일했습니다. 방금 다르게 할당했습니다.
	그리고 내 파워 레벨이 극적으로 올라갔습니다. 여기에 더 많이 쌓이면 아마. 아마도 4개, 4개를 수행한 다음 이들 각각에 대해 편집한다면
	이 차이를 감지하는 데 더 많은 힘을 얻을 수 있습니다. 따라서 이것은 항상 샘플 크기를 변경하는 것이 아니라는 것을 알 뿐만 아니라 시작할 샘플이 많은 경우 더 많은 샘플이 항상 필요한 것은 아닐 수도 있습니다. 하지만 할당 방법도 중요합니다.
	좋아요.
	그래서,
	전력 계산을 위한 이 멋진 도구를 발견한 만큼 여러분도 흥분하셨기를 바랍니다.
	몇 가지 핵심 사항을 알려드리고자 합니다.
	다시 시뮬레이션을 사용합니다. 자, 이상적으로는 알다시피, 우리는 일종의 공식을 좋아합니다. 따라서 민사 사건에서 우리는 멋지고 간단한 공식의 이점을 얻습니다.
	회귀 모델을 사용하더라도 내부적으로 도움이 되는 공식이 있습니다. 하지만 물론 현실 세계도 마찬가지입니다. 상황이 조금 더 복잡합니다. 그래서 우리는 일반적으로 시뮬레이션에 의존해야 합니다. 이것은 우리가 본 것처럼 매우 강력한 도구가 될 수 있습니다.
	물론 시뮬레이션과 관련하여 우리가 해야 할 핵심 사항 중 하나는 정확성과 효율성의 균형을 맞추는 것입니다. 나는 보통 100을 달렸다.
	주로 시간을 절약하기 위해서입니다.
	그러나 궁극적으로 실행하는 데 시간이 걸린다는 것을 알고 기본값인 2500을 고수할 수도 있습니다.
	그래서 제가 옹호할 수 있는 것은 아시다시피 처음에 100 200개의 시뮬레이션으로 시작하여 진행 상황에 대한 아이디어를 제공하는 것입니다. 그런 다음 상황을 찾으면
	그렇게 보이는 곳. 아니요, 샘플 수를 늘리는 것이 더 조사할 가치가 있으므로 정확도를 높일 수 있습니다.
	좋습니다. 몇 가지 다른 상황으로 시작하여 몇 가지 빠른 시뮬레이션을 실행한 다음 몇 가지 주요 설정 주요 시나리오로 범위를 좁힌 다음 시뮬레이션 수를 늘려 정확도를 높일 수 있습니다.
	나는 실험 설계가 결코 하나가 아니고 완료되지 않는 것처럼 검정력 계산에 대해 항상 주장합니다.
	계산기에 숫자를 입력하고 샘플 크기로 돌아와서는 안 됩니다. 디자인에서 일어날 수 있는 일이 많이 있습니다.
	또는 실험에서 일어날 수 있는 일입니다. 그리고 실험을 계획하는 가장 좋은 방법은 다양한 시나리오를 시도하고 설명하는 것이라고 생각합니다. 따라서 다양한 수준의 소음을 탐색하십시오.
	귀하의 응답에서. 따라서 혼합 효과는 서로 다른 혼합 효과 크기에서 재생될 수 있습니다.
	물론 다양한 샘플 크기를 탐색할 수 있지만 다른 유형의 모델도 탐색할 수 있습니다. 예를 들어 유니버설 센터에서 wible 모델을 사용한다면 일반 모델을 많이 했을 것입니다.
	이러한 다양한 시나리오를 탐색하고 이를 테스트 계획자에게 제시하면 다양한 설정에 대해 견고하게 연구할 수 있는 방법이 제공됩니다.
	따라서 계산만 하고 돌아오지 말고 항상 긴장된 플레이어에게 다양한 시나리오를 제시하세요. 같은 과정입니다. 내가 할 때 사용
	실제 설계된 실제 실험을 만들었습니다. 그래서 테스트 플레이어를 소개하겠습니다. 나는 그들이 그것을 탐색할 수 있는 다른 옵션으로 작업했습니다. 옵션을 선택하거나 옵션의 조합일 수 있습니다. 계획을 보다 견고하게 만들려면 항상 그렇게 해야 합니다.
	내가 말했듯이 그들은
	괜찮은. 글쎄, 나는 당신이 이것으로 새로운 것을 배웠기를 바랍니다. 궁금한 사항이 있으시면 저에게 연락하시면 제 이메일 주소를 알려드릴 것입니다.
	이 강연을 즐기셨기를 바라며 나머지 회의도 즐기시기 바랍니다. 감사합니다.

탈주데이터 탐색암사슴Re: 나에게 힘이 있다!!: 복잡한 모델링 상황에서 검정력 계산(2020-US-30MP-544)

감사해요 @칼킹 ! 나는 테이블 변수 팁을 좋아합니다 - 확실히 그것을 사용할 것입니다!

Re: 나에게 힘이 있다!!: 복잡한 모델링 상황에서 검정력 계산(2020-US-30MP-544)

감사해요 @ktbrickey !!

 

GenReg에서 저장된 수식의 경우 사용된 다른 모든 매개변수와 마찬가지로 데이터에서 추정된 것으로 생각합니다.

 

일반적으로 역사적 오류 추정치가 첫 번째 선택이 될 것이라고 말하고 싶습니다. 샘플 수가 과거 값의 편차에 대해 얼마나 강력한지 확인하기 위해 약간 다른 값으로 몇 가지 검정력 계산을 실행하는 것을 항상 고려할 수 있습니다.

 

해당 정보를 사용할 수 없는 경우 주제 전문 지식을 도출하거나 사전에 소규모 파일럿 실험을 실행하여 추정치를 생성할 수도 있습니다. 유사한 결과 및/또는 문헌의 자료를 기반으로 값을 추정할 가능성도 있습니다.

 

계산에 사용할 매개변수를 결정하는 것은 확실히 전체 절차에서 까다로운 측면 중 하나입니다. 그렇기 때문에 저는 일반적으로 사람들에게 서로 다른 값으로 여러 계산을 실행하도록 권장하여 잘못된 선택으로 판명된 것을 기반으로 값비싼 설계를 생성할 위험을 감수하지 않도록 합니다.

 

마지막 팁. 시뮬레이션 실행을 더 쉽게 만드는 좋은 방법은 테이블 변수를 사용하는 것입니다. 데이터 테이블의 빨간색 삼각형 메뉴 또는 하단 근처의 수식 편집기에서 만들 수 있습니다. 테이블 변수의 장점은 테이블(왼쪽 상단 근처)에서 값을 변경할 수 있고 해당 변수를 사용하는 모든 공식도 자동으로 업데이트된다는 것입니다. 비디오를 만든 후에 이것을 발견했습니다. 그렇지 않으면 분명히 등장했을 것입니다 :-).

Re: 나에게 힘이 있다!!: 복잡한 모델링 상황에서 검정력 계산(2020-US-30MP-544)

굉장한 이야기, @칼킹 ! 이것은 매우 흥미롭고 도움이 됩니다. 공유해주셔서 감사합니다!

이러한 전력 계산에 사용되는 오류 추정치에 대해 질문이 있습니다. 그들은 정확히 어디에서 왔습니까? 예를 들어 GenReg에서 저장된 시뮬레이션 수식에서 열 수식에 임의로 생성된 응답 데이터를 기반으로 하는 오류 항이 포함되어 있습니까? 실제 세계에서 사용 가능한 경우 시뮬레이션 수식에서 과거 오류 추정치를 사용하시겠습니까?