第10章 功效分析

使用R语言对数据功效分析 – pwr包

首先我们要知道什么是一型错误和二型错误

	拒绝H0	不拒绝H0
H0为真	一型错误	正确
H0为假	证确	二型错误

用pwr包做功效分析时候，对于每个函数，可以设置4个变量（样本大小， 显著水平， 功效和效应值）且 知道三个求一个

其实我比较迷惑的是，效应值到底是个什么玩意儿。

不用着急，在学习完之后，会有一些了解

函数	功效计算的对象
pwr.2p.test	两比例（n相等）
pwr.2p2n.test	两比例（你不想等）
pwr.anova.test	平衡的one-way ANOVA
pwr.chisq.test	卡方检验
pwr.f2.test	广义线性模型
pwr.p.test	比例（单样本）
pwr.t.test	相关系数
pwr.t.test	t检验
pwr.t2n.test	t检验（n不相等的两样本）

注： 不同的函数对应的效应值不同，可以使用help()函数查看具体的效应值如何计算。

10.2.1 t检验

?pwr.t.test()
pwr.t.test(n = NULL, d = NULL, sig.level = 0.05, power = NULL, 
    type = c("two.sample", "one.sample", "paired"),
    alternative = c("two.sided", "less", "greater"))

n为样本大小，d是效应值， sig.level显著型水平，power功效，

type 是样本类型， alternative 是单双边检验，

若效应值为0.8，sig.level = 0.05， 如果差异存在希望90% 的把握检测出来，则

> pwr.t.test(d = 0.8, sig.level = 0.05, power = 0.9,
+            type = "two.sample", 
+            alternative = "two.sided")

     Two-sample t test power calculation 

              n = 33.82555
              d = 0.8
      sig.level = 0.05
          power = 0.9
    alternative = two.sided

NOTE: n is number in *each* group

可以看出需要 34 x 2 = 68 个样本

10.2.2 方差分析

pwr.anova.test() 可以对平衡的单因素ANOVA进行功效分析

> ?pwr.anova.test()
pwr.anova.test(k = NULL, n = NULL, f = NULL, sig.level = 0.05, power = NULL)

k 是组的个数，f 是效应值（ES）

比如现在对五个组做单因素方差分析，要到达0.8的功效，效应值（ES）为0.25， 比如现在对五个组做单因素方差分析，要到达0.8的功效，效应值（ES）为0.25

> pwr.anova.test(k = 5, f = 0.25, sig.level = 0.05, power = 0.8)

     Balanced one-way analysis of variance power calculation 

              k = 5
              n = 39.1534
              f = 0.25
      sig.level = 0.05
          power = 0.8

NOTE: n is number in each group

可以看出需要 40 x 5 = 200 个样本

10.2.3 相关性

对相关性进行功效分析改怎么做呢

?pwr.r.test()
pwr.r.test(n = NULL, r = NULL, sig.level = 0.05, power = NULL,
    alternative = c("two.sided", "less","greater"))

r 是效应值（ES）通过线性相关系数衡量，

比如： 现在研究抑郁 和 孤独的关系： 零假设H₀：p<0.25。 备择假设H₁：p>0.25.

p 是两种心理疾病的相关性， 假设显著性水平是0.05， 如果H₀是错误的，且你想有90%的把握拒绝他， 则

> pwr.r.test(r = 0.25, sig.level = 0.05, power = 0.9,
+            alternative = "two.sided")

     approximate correlation power calculation (arctangh transformation) 

              n = 163.1837
              r = 0.25
      sig.level = 0.05
          power = 0.9
    alternative = two.sided

可以看出， 在双尾检测下需要164个观测

> pwr.r.test(r = 0.25, sig.level = 0.05, power = 0.9,
+            alternative = "greater")

     approximate correlation power calculation (arctangh transformation) 

              n = 133.2803
              r = 0.25
      sig.level = 0.05
          power = 0.9
    alternative = greater

然而在单尾检测下，只需要134个个体

10.2.4 线性模型 - pwr.f2.test()

对于线性模型（如，多元回归）,可以使用pwr.f2.test()函数完成相关的功效分析

?pwr.f2.test()
pwr.f2.test(u = NULL, v = NULL, f2 = NULL, sig.level = 0.05, power = NULL)

其中u， v 是分子和分母的自由度， f2 是效应值（ES）
$$f^2=$$