나는 최소 샘플 크기를 생성하는 간단한 공식의 팬이 아닙니다. 최소한 모든 공식은 효과 크기와 관심있는 문제를 고려해야합니다. 그리고 컷오프 양쪽의 차이는 최소화됩니다.

최적화 문제로서의 샘플 크기

• 더 큰 샘플이 더 좋습니다.
• 표본 크기는 종종 실용적인 고려 사항에 의해 결정됩니다.
• 추가 참가자 확보에 소요되는 시간, 비용, 노력 등의 비용이 추가 참가자 보유의 이점과 비교되는 최적화 문제에서 표본 크기는 하나의 고려 사항으로 간주해야합니다.

대략적인 규칙

능력 테스트, 태도 척도, 성격 측정 등과 같은 것들을 포함하는 관찰 심리학 연구의 전형적인 맥락에서 매우 거친 경험 법칙의 관점에서, 나는 때때로 다음을 생각합니다.

• 적절한 n = 100
• n = 200만큼 좋음
• n = 400 + 이상

이 경험 법칙은 이러한 각 수준의 상관 관계와 관련된 95 % 신뢰 구간과 이론적으로 관심 관계를 이해하고자하는 정밀도의 정도에 기초합니다. 그러나 이는 휴리스틱 일뿐입니다.

지 파워 3

• 나는 일반적으로 다양한 가정을 기반으로 전력을 계산하는 G-전원 3를 사용하여
  내 게시물을 참조 .
• 다중 회귀와 관련된 G Power 3 사이트 에서이 자습서를 참조하십시오.
• 전원 프라이머는 또한 적용 연구를위한 유용한 도구입니다.

다중 회귀 테스트는 여러 가설을 검정합니다.

• 모든 전력 분석 질문에는 효과 크기를 고려해야합니다.

• 다중 회귀에 대한 검정력 분석은 전체 r- 제곱 및 각 개별 계수에 대한 효과를 포함하여 여러 가지 효과가 있다는 사실로 인해 더 복잡해집니다. 또한 대부분의 연구에는 여러 회귀 분석이 포함됩니다. 나에게 이것은 일반적인 휴리스틱에 더 의존하고 감지하려는 최소 효과 크기에 대해 생각하는 또 다른 이유입니다.

• 다중 회귀 분석과 관련하여 나는 종종 기본 상관 행렬을 추정 할 때 정확도의 정도에 대해 더 많이 생각할 것입니다.

모수 추정의 정확도

나는 또한 Ken Kelley와 동료들의 정확성 추정에 대한 토론을 좋아합니다.

• 간행물 은 Ken Kelley 웹 사이트 를 참조하십시오
• @Dmitrij가 언급했듯이 Kelley and Maxwell (2003) 무료 PDF 에는 유용한 기사가 있습니다.
• Ken Kelley MBESS는 R 에서 패키지를 개발하여 매개 변수 추정에서 샘플 크기와 정밀도를 분석합니다.

답변

require(Hmisc)
dop <- function(k, type) {
  z <- list()
  R2 <- seq(.01, .99, by=.01)
  for(a in k) z[[as.character(a)]] <-
    list(R2=R2, pfact=if(type=='relative') ((1/R2) - a) / (1 - a) else
         (1 - R2 + a) /  a)
  labcurve(z, pl=TRUE, ylim=c(0,100), adj=0, offset=3,
           xlab=expression(R^2), ylab=expression(paste('Multiple of ',p)))
}
par(mfrow=c(1,2))
dop(c(.9, .95, .975), 'relative')
dop(c(.075, .05, .04, .025, .02, .01), 'absolute')