ดาวน์โหลด powerlmm - ดาวน์โหลดซอร์สโค้ด powerlmm

Powerlmm

การวิเคราะห์พลังงานสำหรับแบบจำลองเอฟเฟกต์ผสมหลายระดับ/เชิงเส้น

ภาพรวม

วัตถุประสงค์ของ powerlmm คือการช่วยออกแบบการศึกษาการรักษาระยะยาว (กลุ่มคู่ขนาน) โดยมีหรือไม่มีการจัดกลุ่มระดับสูงกว่า (เช่นกลุ่มนักบำบัดกลุ่มหรือแพทย์) และข้อมูลที่ขาดหายไป คุณสมบัติหลักของแพ็คเกจคือ:

แบบจำลองเอฟเฟกต์เชิงเส้นสองและสามระดับ (ซ้อนกัน) แบบจำลองเชิงเส้นและการออกแบบที่ซ้อนกันบางส่วน
ลาดชันที่ระดับหัวเรื่องและระดับคลัสเตอร์
ข้อมูลที่ขาดหายไป
การออกแบบที่ไม่สมดุล (ทั้งขนาดคลัสเตอร์ที่ไม่เท่ากันและกลุ่มการรักษา)
เอฟเฟกต์การออกแบบและข้อผิดพลาด Type I โดยประมาณเมื่อละเว้นระดับที่สาม
การคำนวณพลังงานวิเคราะห์อย่างรวดเร็วสำหรับการออกแบบทั้งหมด
พลังสำหรับขนาดตัวอย่างขนาดเล็กโดยใช้การประมาณระดับอิสระของ Satterthwaite
สำรวจอคติ, ข้อผิดพลาด Type I, Model Misspecification และการเลือกแบบจำลอง LRT โดยใช้วิธีการจำลองที่สะดวก

การติดตั้ง

powerlmm สามารถติดตั้งได้จาก Cran และ GitHub

 # CRAN, version 0.4.0
install.packages( " powerlmm " )

# GitHub, dev version
devtools :: install_github( " rpsychologist/powerlmm " )

ตัวอย่างการใช้งาน

นี่เป็นตัวอย่างของการตั้งค่าแบบจำลองระยะยาวสามระดับที่มีความลาดชันแบบสุ่มทั้งในระดับหัวเรื่องและระดับคลัสเตอร์โดยมีรูปแบบข้อมูลที่ขาดหายไปที่แตกต่างกันต่อแขนการรักษา มีการใช้อินพุตมาตรฐานสัมพัทธ์ แต่สามารถใช้ค่าพารามิเตอร์ดิบที่ไม่ได้มาตรฐานได้

library( powerlmm )
d <- per_treatment( control = dropout_weibull( 0.3 , 2 ),
               treatment = dropout_weibull( 0.2 , 2 ))
p <- study_parameters( n1 = 11 ,
                      n2 = 10 ,
                      n3 = 5 ,
                      icc_pre_subject = 0.5 ,
                      icc_pre_cluster = 0 ,
                      icc_slope = 0.05 ,
                      var_ratio = 0.02 ,
                      dropout = d ,
                      effect_size = cohend( - 0.8 , 
                                           standardizer = " pretest_SD " ))

p
# > 
# >      Study setup (three-level) 
# > 
# >               n1 = 11
# >               n2 = 10 x 5 (treatment)
# >                    10 x 5 (control)
# >               n3 = 5      (treatment)
# >                    5      (control)
# >                    10     (total)
# >          total_n = 50     (treatment)
# >                    50     (control)
# >                    100    (total)
# >          dropout =  0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10 (time)
# >                     0,  0,  1,  3,  6,  9, 12, 16, 20, 25, 30 (%, control)
# >                     0,  0,  1,  2,  4,  5,  8, 10, 13, 17, 20 (%, treatment)
# > icc_pre_subjects = 0.5
# > icc_pre_clusters = 0
# >        icc_slope = 0.05
# >        var_ratio = 0.02
# >      effect_size = -0.8 (Cohen's d [SD: pretest_SD])

plot( p )

get_power( p , df = " satterthwaite " )
# > 
# >      Power Analyis for Longitudinal Linear Mixed-Effects Models (three-level)
# >                   with missing data and unbalanced designs 
# > 
# >               n1 = 11
# >               n2 = 10 x 5 (treatment)
# >                    10 x 5 (control)
# >               n3 = 5      (treatment)
# >                    5      (control)
# >                    10     (total)
# >          total_n = 50     (control)
# >                    50     (treatment)
# >                    100    (total)
# >          dropout =  0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10 (time)
# >                     0,  0,  1,  3,  6,  9, 12, 16, 20, 25, 30 (%, control)
# >                     0,  0,  1,  2,  4,  5,  8, 10, 13, 17, 20 (%, treatment)
# > icc_pre_subjects = 0.5
# > icc_pre_clusters = 0
# >        icc_slope = 0.05
# >        var_ratio = 0.02
# >      effect_size = -0.8 (Cohen's d [SD: pretest_SD])
# >               df = 7.971459
# >            alpha = 0.05
# >            power = 68%

ขนาดคลัสเตอร์ที่ไม่เท่ากัน

นอกจากนี้ยังรองรับขนาดคลัสเตอร์ที่ไม่เท่ากันขนาดของคลัสเตอร์สามารถสุ่ม (ตัวอย่าง) หรือการแจกแจงส่วนขอบสามารถระบุได้

 p <- study_parameters( n1 = 11 ,
                      n2 = unequal_clusters( 2 , 3 , 5 , 20 ),
                      icc_pre_subject = 0.5 ,
                      icc_pre_cluster = 0 ,
                      icc_slope = 0.05 ,
                      var_ratio = 0.02 ,
                      effect_size = cohend( - 0.8 , 
                                           standardizer = " pretest_SD " ))

get_power( p )
# > 
# >      Power Analyis for Longitudinal Linear Mixed-Effects Models (three-level)
# >                   with missing data and unbalanced designs 
# > 
# >               n1 = 11
# >               n2 = 2, 3, 5, 20 (treatment)
# >                    2, 3, 5, 20 (control)
# >               n3 = 4           (treatment)
# >                    4           (control)
# >                    8           (total)
# >          total_n = 30          (control)
# >                    30          (treatment)
# >                    60          (total)
# >          dropout = No missing data
# > icc_pre_subjects = 0.5
# > icc_pre_clusters = 0
# >        icc_slope = 0.05
# >        var_ratio = 0.02
# >      effect_size = -0.8 (Cohen's d [SD: pretest_SD])
# >               df = 6
# >            alpha = 0.05
# >            power = 44%

ขนาดคลัสเตอร์ตามการแจกแจงปัวซอง

 p <- study_parameters( n1 = 11 ,
                      n2 = unequal_clusters( func = rpois( 5 , 5 )), # sample from Poisson
                      icc_pre_subject = 0.5 ,
                      icc_pre_cluster = 0 ,
                      icc_slope = 0.05 ,
                      var_ratio = 0.02 ,
                      effect_size = cohend( - 0.8 , 
                                           standardizer = " pretest_SD " ))

get_power( p , R = 100 , progress = FALSE ) # expected power by averaging over R realizations
# > 
# >      Power Analyis for Longitudinal Linear Mixed-Effects Models (three-level)
# >                   with missing data and unbalanced designs 
# > 
# >               n1 = 11
# >               n2 = rpois(5, 5) (treatment)
# >                    -           (control)
# >               n3 = 5           (treatment)
# >                    5           (control)
# >                    10          (total)
# >          total_n = 24.96       (control)
# >                    24.96       (treatment)
# >                    49.92       (total)
# >          dropout = No missing data
# > icc_pre_subjects = 0.5
# > icc_pre_clusters = 0
# >        icc_slope = 0.05
# >        var_ratio = 0.02
# >      effect_size = -0.8 (Cohen's d [SD: pretest_SD])
# >               df = 8
# >            alpha = 0.05
# >            power = 48% (MCSE: 1%)
# > 
# > NOTE: n2 is randomly sampled. Values are the mean from R = 100 realizations.

ฟังก์ชั่นความสะดวกสบาย

มีฟังก์ชั่นความสะดวกสบายหลายอย่างเช่นการสร้างเส้นโค้งพลังงาน

 x <- get_power_table( p , 
                     n2 = 5 : 10 , 
                     n3 = c( 4 , 8 , 12 ), 
                     effect_size = cohend(c( 0.5 , 0.8 ), standardizer = " pretest_SD " ))

plot( x )

การจำลอง

แพ็คเกจนี้มีวิธีการจำลองที่ยืดหยุ่นซึ่งทำให้ง่ายต่อการตรวจสอบประสิทธิภาพของรุ่นที่แตกต่างกัน ตัวอย่างเช่นลองเปรียบเทียบความแตกต่างของพลังงานระหว่าง LMM 2 ระดับกับ 11 มาตรการซ้ำ ๆ กับการทำ ANCOVA ที่หลังการทดสอบ การใช้แบบจำลองที่แตกต่างกัน sim_formula สามารถพอดีกับชุดข้อมูลเดียวกันในระหว่างการจำลอง

 p <- study_parameters( n1 = 11 ,
                      n2 = 40 , 
                      icc_pre_subject = 0.5 ,
                      cor_subject = - 0.4 ,
                      var_ratio = 0.02 ,
                      effect_size = cohend( - 0.8 , 
                                           standardizer = " pretest_SD " ))

# 2-lvl LMM
f0 <- sim_formula( " y ~ time + time:treatment + (1 + time | subject) " )

# ANCOVA, formulas with no random effects are with using lm()
f1 <- sim_formula( " y ~ treatment + pretest " , 
                  data_transform = transform_to_posttest , 
                  test = " treatment " )

f <- sim_formula_compare( " LMM " = f0 , 
                         " ANCOVA " = f1 )

res <- simulate( p , 
                nsim = 2000 , 
                formula = f , 
                cores = parallel :: detectCores( logical = FALSE ))

จากนั้นเราสรุปผลลัพธ์โดยใช้ summary มาดูกันโดยเฉพาะที่ผลการรักษา

summary( res , para = list ( " LMM " = " time:treatment " ,
                         " ANCOVA " = " treatment " ))
# > Model:  summary 
# > 
# > Fixed effects: 'time:treatment', 'treatment'
# > 
# >   model M_est theta M_se SD_est Power Power_bw Power_satt
# >     LMM  -1.1  -1.1 0.32   0.32  0.93     0.93          .
# >  ANCOVA -11.0   0.0 3.70   3.70  0.85     0.84       0.84
# > ---
# > Number of simulations: 2000  | alpha:  0.05
# > Time points (n1):  11
# > Subjects per cluster (n2 x n3):  40 (treatment)
# >                                  40 (control)
# > Total number of subjects:  80 
# > ---
# > At least one of the models applied a data transformation during simulation,
# > summaries that depend on the true parameter values will no longer be correct,
# > see 'help(summary.plcp_sim)'

นอกจากนี้เรายังสามารถดูรุ่นที่เฉพาะเจาะจงนี่คือผลลัพธ์สำหรับ 2-LVL LMM

summary( res , model = " LMM " )
# > Model:  LMM 
# > 
# > Random effects 
# > 
# >          parameter  M_est theta est_rel_bias prop_zero is_NA
# >  subject_intercept  99.00 100.0     -0.00560         0     0
# >      subject_slope   2.00   2.0     -0.00310         0     0
# >              error 100.00 100.0      0.00086         0     0
# >        cor_subject  -0.39  -0.4     -0.03200         0     0
# > 
# > Fixed effects 
# > 
# >       parameter   M_est theta M_se SD_est Power Power_bw Power_satt
# >     (Intercept)  0.0048   0.0 1.30   1.30 0.050        .          .
# >            time  0.0011   0.0 0.25   0.25 0.054        .          .
# >  time:treatment -1.1000  -1.1 0.32   0.32 0.930     0.93          .
# > ---
# > Number of simulations: 2000  | alpha:  0.05
# > Time points (n1):  11
# > Subjects per cluster (n2 x n3):  40 (treatment)
# >                                  40 (control)
# > Total number of subjects:  80 
# > ---
# > At least one of the models applied a data transformation during simulation,
# > summaries that depend on the true parameter values will no longer be correct,
# > see 'help(summary.plcp_sim)'