方差分析
pwr.anova.test()函數可以對平衡單因素方差分析進行功效分析,格式為:
pwr.anova.test(k=, n=, f=, sig.level=, power=)
其中,k是組的個數,n是各組中的樣本大小。對於單因素方差分析,效應值可通過f來衡量:
其中,pi = ni/N,ni=組i的觀測數目,N=總觀測數目,ui=組i均值,u=總體均值,σ^2=組內誤差方差。
例子:現對五個組做單因素方差分析,要達到0.8的功效,效應值為0.25,並選擇0.05的顯著性水平,計算各組需要的樣本大小。分析代碼如下:
> library(pwr)
> pwr.anova.test(k=5, f=.25, sig.level = .05, power = .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
結果表明:總樣本大小為5*39=195。
相關性
pwr.r.test()函數可以對相關性分析進行功效分析,格式如下:
pwr.r.test(n=, r=, sig.level=, power=, alternative=)
其中,n是觀測數目,r是效應值(通過線性相關係數衡量),sig.level是顯著性水平,power是功效水平,alternative指定顯著性檢驗是雙邊檢驗(two.sided)還是單邊檢驗(less或greater)。
例子:我們正在研究抑鬱與孤獨的關係,原假設和備擇假設為:H0:p <= 0.25 和 H1:p > 0.25。其中,p是兩個心理變量的總體相關性大小。我們設定顯著性水平為0.05,而且如果H0是錯誤的,我們想有90%的信息拒絕H0,那麼研究需要多少觀測呢?分析代碼如下:
> pwr.r.test(r=.25,sig.level = .05,power = .90,alternative = "greater")
approximate correlation power calculation (arctangh transformation)
n = 133.2803
r = 0.25
sig.level = 0.05
power = 0.9
alternative = greater
因此,要滿足以上要求,我們需要134個受試者來評價抑鬱與孤獨的關係,以便使原假設為假的情況下有90%的信息拒絕它。