R 中 pwrss 包的语法解释（比例数据的功效分析）-解网

问：

我很难将我的研究问题翻译成正确的语法，因为 pwrss 包的文档似乎含糊不清。我的目标是计算检测假设的未来 30% 增加和减少比例的功效（例如，称为 0.5，+/-30% 分别为 = 0.65 和 0.35），但我不确定我应该使用哪个测试或如何输入信息。例如：

一个比例与一个常数。p 是“预期比例”，p0 是“要比较的常数（也是一个比例...）”。

pwrss.z.prop(p, p0 = 0, margin = 0, arcsin.trans = FALSE, alpha = 0.05, 
alternative = c("not equal","greater","less", "equivalent","non-inferior","superior"), 
n = NULL, power = NULL, verbose = TRUE)

两个比例之间的差异。这里，p1 是“第一组的预期比例”，而 p2 是“第二组的预期比例”。

pwrss.z.2props(p1, p2, margin = 0, arcsin.trans = FALSE, kappa = 1, alpha = 0.05, 
alternative = c("not equal","greater","less", "equivalent","non-inferior","superior"), 
n2 = NULL, power = NULL, verbose = TRUE)

文档就此结束。我发现顺序对 pwrss.z.prop 很重要，但对 pwrss.z.2props 来说并不重要。除此之外，我不知道哪个比例去哪里，或者什么替代方案对我的情况有意义。“大于”和“不相等”或“更少”和“不相等”似乎是相同的选项：即我有什么权力注意到 +30% “大于”或“不等于”我的原始比例（0.5）（？

library(pwrss)

# Should I be doing
pwrss.z.prop(p=0.5, p0 = 0.65, 
arcsin.trans = TRUE, alpha = 0.05, 
alternative = "not equal",         # or "greater"?
n = 47, power = NULL)

pwrss.z.prop(p=0.5, p0 = 0.35, 
arcsin.trans = TRUE, 
alpha = 0.05, 
alternative = "not equal",         # or "less"?
n = 47, power = NULL)

# or...
pwrss.z.2props(0.5, 0.65, arcsin.trans = TRUE, 
kappa = 1, alpha = 0.05, alternative = "not equal", # or "greater"?
n2 = 47, power = NULL)

pwrss.z.2props(0.5, 0.35, arcsin.trans = TRUE, 
kappa = 1, alpha = 0.05, alternative = "not equal", # or "less"?
n2 = 47, power = NULL)

更新：

我认为是单样本检验和双样本检验，假设 p1 和 p2 来自独立观测值。由于我的是配对的（增加/减少相同数据，即重复测量设计），我将选择单样本版本。我还读到，不建议进行两次单侧测试，因此剩下的就是在双侧测试中输入 +/-30% 的值。pwrss.z.proppwrss.z.2props

pwrss.z.prop(p=0.65, p0 = 0.35, 
arcsin.trans = TRUE, 
alpha = 0.05, 
alternative = "not equal",
n = 47, power = NULL)

 Approach: Arcsine Transformation 
 A Proportion against a Constant (z Test) 
 H0: p = p0 
 HA: p != p0 
 ------------------------------ 
  Statistical power = 0.987 
  n = 47 
 ------------------------------ 
 Alternative = “not equal” 
 Non-centrality parameter = 4.178 
 Type I error rate = 0.05 
 Type II error rate = 0.013 

# Switching p/p0 gives the same answer.

# Here's the problem:
# H0: p = p0 
# HA: p != p0

问题是，这似乎是在说“我们想知道检测 -30% 和 +30% 变化之间差异的能力”，这不是我想要的。该测试的功效几乎为 99%，只有 n=47。这似乎是它正在测试的，因为差异的大小如此之大（0.35 到 0.65），因此检测到它的功率自然会很高。因此，我仍然被困住了。HA: p != p0

R 语法

答：

0赞 Nate 11/19/2023 #1

对于任何对可能的解决方案感兴趣的人：通过使用不同的软件包，我发现一个比例增加 30%（或减少）不仅仅是乘以 0.3 并添加到原始比例上的问题。相反，包使用的 arcsin 转换是必需的。）中的函数可以计算这个效应大小，或者对于已知的效应大小（在我的情况下），可以通过用或简单地求解 p1 来计算结果的百分比变化值。pwrES.h() = 2*asin(sqrt(p1))-2*asin(sqrt(p2))pwr.p.test(p1 = sin(asin(sqrt(p2))+h/2)^2p1 = p2 + h/2

请注意，这与取决于起始均值有何不同：p1 = p2*0.3 + p2

# effect size formula (h=0.3 effect size)
> 0.5 + h/2
[1] 0.65

> 0.6 + h/2
[1] 0.75


# Standard way of scaling a continuous variable (30% increase):
> (0.5*0.3) + 0.5
[1] 0.65 # same as the effect size method

> (0.6*0.3) + 0.6
[1] 0.78 # Slightly different now!

使用该软件包，我看到积极和消极的影响大小都会产生相同的功率！零是我们无法判断是否发生了 30% 的变化（H0： p1 = p2），而另一种选择是我们可以，它“大于”我们的平均值（HA： p1 > p2），或更少 - 在功率方面没有区别。pwr

> pwr.p.test(h = 0.3,  # <- 30% increase effect size
+            n = 47, 
+            sig.level = 0.05,
+            power = NULL,
+            alternative = "greater")

     proportion power calculation for binomial distribution (arcsine transformation) 

              h = 0.3
              n = 47
      sig.level = 0.05
          power = 0.6597727
    alternative = greater

> pwr.p.test(h = -0.3,  # <- 30% decrease effect size
+            n = 47, 
+            sig.level = 0.05,
+            power = NULL,
+            alternative = "less")

     proportion power calculation for binomial distribution (arcsine transformation) 

              h = -0.3
              n = 47
      sig.level = 0.05
          power = 0.6597727
    alternative = less

上一个：C++ 模板错误：调用没有匹配的函数

下一个：提取产品链接的正确选择器是什么？

R 中 pwrss 包的语法解释（比例数据的功效分析）

Syntax interpretation for pwrss package in R (power analysis on proportions data)

评论