確定分類因素的樣本量我正在嘗試確定是否對具有 2 個級別的分類因素以及分類響應和連續響應做出是否進行流程更改的決定所需的樣本大小。我們進行了一些實驗，發現分類因素的兩個層次之間的反應沒有統計顯著性，但現在我們想知道我們對沒有差異的信心有多大。為了回答這個問題，我開始使用 JMP 樣本大小和功效計算器來計算兩個樣本平均值。
如果我使用這種方法，我會得到 428 個樣本的顯著性水準為 0.05，不相似性係數為 0.3，我將有 87% 的機會檢測到 0.09% 的分類回應中的顯著差異。
有人對這種方法有什麼想法，或者對如何以另一種方式計算樣本量和結果置信度有什麼想法嗎？
我的一位同事建議我們說這裡的樣本量僅為 3，即 3 次運行，其中包含 72 個經過對照過程處理的樣本和 72 個經過實驗過程處理的樣本。
謝謝，
喬琳
嗨 Georg，我有一個兩步過程，我在步驟 1 中改變了我的樣本處理。條件是治療A（對照）與治療B（替代）。我有 216 個樣本經過了 A 處理，216 個樣本經過了 B 處理。
然後所有這些樣品都經過第二道工序。由於限制，我不得不在三個單獨的運行中處理它們，每個運行包含來自處理 A 的 72 個樣本和來自處理 B 的 72 個樣本。運行 1、2 和 3 進行了類似處理。
我現在正在分析對治療 A 與 B 的分類因素的連續和分類反應。我發現答案沒有顯著差異，但我的同事問樣本量是否足夠大，足以讓我有信心做出繼續改變流程的決定。
謝謝！
回复：確定分類因素的樣本量嗨，喬琳！
回顧性權力分析通常是不合適的事情。作為@Georg暗示，我們對你的實驗知之甚少。你設計了它（沒有考慮實驗的力量？），運行它，收集數據，進行分析，但沒有達到“意義”。所以現在你回顧性地計算能力，看看測試是否足夠強大。這是一個似是而非的問題。我們已經知道它不足以檢測效果大小……這就是結果不顯著的原因！
功效計算可用於前瞻性設計，而不是回顧性分析。您可能希望修改您的假設以使後續實驗成為等效或非劣效性之一；請參閱隨附的 Hoenig 和 Heisey 論文。
在不了解您的實驗目標、設計、實施或分析的情況下，樣本量似乎很大。您也許可以使用實驗中的數據來製定仿真模型，以探索特定潛在設計的預期能力，並為後續實驗進行分析。在我看來，這種方法可以最好地回答您的問題。
祝你好運！
回复：確定分類因素的樣本量首先，了解您的實驗很重要。
所以你有72個不同的樣本，你可以對每個樣本做不同的實驗嗎？
之後您可以對每個樣本的不同實驗進行配對比較嗎？
您想將舊流程與具有兩種不同分類設置的新流程進行比較，因此對於完整運行，我們將有 3 個處理 x 72 個樣本？
