确定分类因子的样本大小我正在尝试确定所需的样本量，以决定是否对具有 2 个级别、分类和连续响应的分类因子进行流程更改。我们进行了一些实验，发现分类因子的两个级别之间的响应没有统计显著性，但现在我们想知道我们对没有差异的信心有多大。为了回答这个问题，我开始使用 JMP 样本量和两个样本均值的功效计算器。
如果我使用这种方法，我会得到这样的结果：在 428 个样本、0.3 的不相似系数和 0.05 的显著性水平下，我有 87% 的机会检测到 0.09% 的分类响应中的显著差异。
有人对这种方法有什么想法吗？或者有关于如何以其他方式确定样本大小和对结果的信心的想法吗？
我的一位同事建议我们这里的样本量仅为 3，即 3 次运行包括 72 个用对照过程处理的样本和 72 个用实验过程处理的样本。
谢谢，
乔琳
嗨 Georg，我有一个两步过程，我在步骤 1 中改变了我的样本处理。条件是治疗A（对照）与治疗B（替代）。我有 216 个样本经过了 A 处理，216 个样本经过了 B 处理。
然后所有这些样品都经过第二道工序。由于限制，我不得不在三个单独的运行中处理它们，每个运行包含来自处理 A 的 72 个样本和来自处理 B 的 72 个样本。运行 1、2 和 3 进行了类似处理。
我现在正在分析对治疗 A 与 B 的分类因素的连续和分类反应。我发现答案没有显着差异，但我的同事问样本量是否足够大，足以让我有信心做出继续改变流程的决定。
谢谢！
回复：确定分类因素的样本量嗨，乔琳！
回顾性权力分析通常是不合适的事情。作为@Georg暗示，我们对你的实验知之甚少。你设计了它（没有考虑实验的力量？），运行它，收集数据，进行分析，但没有达到“意义”。所以现在你回顾性地计算能力，看看测试是否足够强大。这是一个似是而非的问题。我们已经知道它不足以检测效果大小……这就是结果不显着的原因！
功效计算可用于前瞻性设计，而不是回顾性分析。您可能希望修改您的假设以使后续实验成为等效或非劣效性之一；请参阅随附的 Hoenig 和 Heisey 论文。
在不了解您的实验目标、设计、实施或分析的情况下，样本量似乎很大。您也许可以使用实验中的数据来制定仿真模型，以探索特定潜在设计的预期能力，并为后续实验进行分析。在我看来，这种方法可以最好地回答您的问题。
祝你好运！
回复：确定分类因素的样本量首先，了解您的实验很重要。
所以你有72个不同的样本，你可以对每个样本做不同的实验吗？
之后您可以对每个样本的不同实验进行配对比较吗？
您想将旧流程与具有两种不同分类设置的新流程进行比较，因此对于完整运行，我们将有 3 个处理 x 72 个样本？
