你如何对R中的逻辑回归进行功效分析？

Question

我熟悉G * Power作为功率分析的工具，但还没有在互联网上找到一个资源来描述如何为R中的逻辑回归计算功效分析.pwr包没有将逻辑回归列为选项。

Answer 1

你很可能需要“自己动手”。

• 指定预测因子和结果之间的假设关系。
• 指定您在研究中可能观察到的预测变量的值。 他们会相关吗？
• 指定要检测的效果大小，例如，与预测变量的两个特定设置对应的优势比。
• 指定功率级别，例如，beta = 0.80。
• 对于不同的样本大小n：
  • 按指定模拟预测变量
  • 模拟结果
  • 运行分析
  • 记录您是否检测到具有统计显着性的影响
  • 多次执行这些步骤，大约1000次或更多次。 计算您检测效果的频率。 如果您在80％的时间内检测到效果超过（例如），则会被制服 - 减少n并重新开始。 如果您检测到效果低于80％，则表示您动力不足 - 增加n并重新开始。 冲洗并重复，直到你有一个好的n。

然后再考虑一下你的所有假设是否真的有意义。 稍微改变一下。 结果值是否对您的假设敏感？

是的，这将是相当多的工作。 但这是值得的。 一方面，它将阻止你进行过度或不足的研究。 另一方面，正如我所写，这将迫使你深入思考你的假设，这是通向启蒙的道路。 （这是一条痛苦的旅行之路。抱歉。）

如果您没有得到任何更好的答案，特别是在R中帮助您执行此操作，您可能需要查看CrossValidated以获得更多帮助。 祝好运！

Answer 2

这个有关Crossvalidated的问题和答案讨论了逻辑回归的能力，包括R代码以及其他讨论和链接以获取更多信息。