我想根据使用试验数据进行的模拟估算所需的研究样本量。我的模型如下：
model1 <- glmer(decision ~ 1 + default + aest + obstruc + privatt + (1 + default + aest + obstruc | id), family = 'binomial', data = pilot_data)
simR软件包可以扩展给定的数据集，然后在Powercurve中可视化的情况下，在增加的数量的不同阶段（在我的情况下为参与者的数量）计算模型的功效。我不想同时测试一个固定效果（通过fixed函数），而是想同时对我的三个主要效果运行powerCurve（主要效果是：default，aest和obstruc； privatt是一个控制变量） 。
我的想法是使用fcompare函数并将我的完整模型与一个空模型（只有截距）进行比较。
我的问题是：此程序在统计上是否正确？最后，我想检查功率曲线达到80％的位置并招募到相应数量的参与者。
扩展数据集并生成powercurve的代码如下：
model1_ext <- extend(model1, along='id', n='250')
pc_model1 <- powerCurve(model1_ext, fcompare(~ 1, method = 'pb'), along='id', nsim=1000 )
答案 0 :(得分：0)
我怀疑您会低估所需的样本量。
您要提出的测试要求“所有这些影响加在一起是否显着？”。但是，如果您想知道特定效果是否显着，您需要从数据中查询更多信息，因此可能需要更大的样本量。
您的样本量通常由“最难”的问题决定，因此，我建议为每种效果绘制一条独立的功效曲线。
如果您在模拟时间上遇到麻烦，可以使用'kr'而不是'pb'。分析已经是一种近似（因为我们永远不知道我们用于模拟的参数的“真实”值）。如果您担心这两个测试可能会得出不同的结果，则可以在一次'pb'中使用powerSim仔细检查建议的样本量。