R语言实现预测模型样本量估计（1）

1、经验方法：使用预测变量乘以10得出估计的样本量。（logistics回归分析：自变量的15-20倍；多元线性回归：自变量的5~10倍；Cox回归：自变量的15·20倍）

实际需要考虑：预测参数数量，人群数量，发生率，预测率等。

2、利用pmsampsize包：（计算最小样本量）

#pmsampsize实现计算最小样本量
install.packages("pmsampsize")
library(pmsampsize)
#1、二分类变量结局资料
pmsampsize(type="b",#b代表计算二分类变量结果
           rsquared=0.201,#指定新模型的(Cox-Snell)R平方期望值：1)同领域先前研究结果2)调整后的R平方值3)可以使用其他值，C统计量cstatistics（）或Nagelkerke的R平方
           parameters = 24,#预测变量数
           prevalence=0.189)#预期总体结局比例
#可以用C指数替代(Cox-Snell)R平方
pmsampsize(type="b",#b代表计算二分类变量结果
           cstatistic=0.89,#指定新模型的R平方期望值：1)同领域先前研究结果2)调整后的R平方值3)可以使用其他值，C统计量cstatistics（）或Nagelkerke的R平方
           parameters = 24,#变量数
           prevalence=0.189)#预期总体结局比例
#2、连续变量结局资料
pmsampsize(type = "c", 
           rsquared = 0.7, #指定新模型的(Cox-Snell)R平方期望值
           parameters = 30, #预测变量数
           intercept = 67, #平均值
           sd = 7)#标准差
#3、生存分析
pmsampsize(type = "s", 
           rsquared = 0.051, 
           parameters = 30, #预测变量数
           rate = 0.065,#之前研究中总体事件发生率
           timepoint = 2, #2年
           meanfup = 2.07)#之前研究中平均随访时间

以最后生存分析的结果为例，最小样本量为5143。