Çok Düzeyli ve Karma Etkili Modeller için Güç Analizi
Power Analysis for Multilevel and Mixed-Effects Models · Ayrıca şöyle bilinir: HLM power analysis, mixed-effects power analysis, clustered design power analysis, Çok Düzeyli / Karma Model Güç Analizi
Çok düzeyli güç analizi, gözlemlerin okullardaki öğrenciler veya kliniklerdeki hastalar gibi daha üst düzey birimler içine iç içe geçtiği hiyerarşik, kümelenmiş veya boylamsal çalışma tasarımları için tasarlanmış bir örneklem büyüklüğü planlama prosedürüdür. Snijders ve Bosker (1993, 2012'de genişletilmiş) ve Hox, Moerbeek ve van de Schoot (2017) tarafından çok düzeyli modelleme literatüründe biçimlendirilmiş olup, veriler kümelendiğinde ortaya çıkan sınıflar içi korelasyonu (ICC) ve tasarım etkisini hesaba katarak, hedef bir etkiyi tespit etmek için hem küme sayısının hem de küme boyutunun yeterli olmasını sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Çalışma tasarımı iç içe geçmiş veya kümelenmiş gözlemler içerdiğinde çok düzeyli güç analizi kullanın: okul temelli müdahaleler (sınıflardaki öğrenciler), saha etkileri olan klinik denemeler (hastanelerdeki hastalar), boylamsal panel verileri (kişiler içindeki tekrarlanan ölçümler) veya kümelenmiş örneklem çerçevesine sahip herhangi bir anket. Analizi çalıştırmadan önce dört girdi gereklidir: (1) alan için bir pilot çalışma veya yayınlanmış literatürden elde edilen makul bir ICC; (2) planlanan Seviye-2 birim sayısı (kümeler), J; (3) planlanan küme boyutu, m; ve (4) beklenen standartlaştırılmış etki büyüklüğü. Yöntem sürekli ve ikili sonuçlara uygulanır ve varyans bileşenlerinin tahmin edilebileceğini veya makul bir şekilde yaklaşılabileceğini varsayar.
Güçlü yönler & sınırlılıklar
- Standart güç formüllerinin göz ardı ettiği kümelenme yapısını hesaba katarak, gerekli örneklem büyüklüğünün sistematik olarak hafife alınmasını önler.
- Küme sayısının ve küme boyutunun katkılarını ayırarak, maliyet açısından verimli tasarım ödünleşimlerine olanak tanır.
- Tasarım etkisi yaklaşımı, tam simülasyon çalıştırılmadan önce hızlı, şeffaf bir ilk tahmin sağlar.
- Geniş bir hiyerarşik ve boylamsal model yelpazesini kapsayan iki yetkili ders kitabına dayanmaktadır.
- Güvenilir olmayan güç tahminlerine doğrudan yayılan kötü ICC tahminleri gerektirir.
- Analitik DEFF yaklaşımı, dengeli bir tasarıma sahip basit iki düzeyli rastgele kesişim yapısını varsayar; çapraz sınıflandırılmış veya üç düzeyli modeller simülasyon gerektirir.
- Güç, küme boyutu m'den çok küme sayısı J'ye daha duyarlıdır, ancak J'yi artırmak genellikle daha pahalı tasarım seçimidir.
- Ek varsayımlar olmadan eksik veri örüntülerini veya boylamsal tasarımlardaki aşınmayı ele almaz.
SSS
Güç için daha önemli olan nedir — küme sayısı mı yoksa küme boyutu mu?
Pratik çoğu durumda küme sayısı J baskındır. ICC önemli hale geldiğinde, mevcut bir küme içindeki daha fazla gözlemi eklemek, bu gözlemler küme düzeyindeki varyansı paylaştığı için hızla azalan getiriler sağlar. J'yi ikiye katlayıp m'yi yarıya indirmek, tersini yapmaktan genellikle daha yüksek güç üretir ve ayarlanması gereken ilk tasarım kolu olmalıdır.
Pilot veri mevcut olmadığında hangi ICC değerini kullanmalıyım?
Alana göre yayınlanmış ICC derlemeleri mevcuttur — Hedges ve Hedberg (2007) ABD eğitim araştırmaları için kıyaslamalar sağlarken, Donner ve Klar (2000) toplum sağlığı denemeleri için değerler vermektedir. Bir aralık kullanılması (örneğin, ICC = 0.05, 0.10, 0.20) ve güç tahmininin bu aralığa duyarlılığının bildirilmesi şiddetle tavsiye edilir.
DEFF yaklaşımı yerine ne zaman Monte Carlo simülasyonu kullanmalıyım?
DEFF formülü, dengeli bir tasarıma sahip basit iki düzeyli rastgele kesişim modelleri için güvenilirdir. Rastgele eğimler, çapraz sınıflandırılmış yapılar, üç veya daha fazla düzey, ikili veya sayım sonuçları veya kümeler arasında beklenen dengesizlik içeren modeller için, simr gibi bir araç aracılığıyla simülasyon daha doğrudur ve tercih edilmelidir.
Yöntem boylamsal veriler için değişir mi?
Evet. Tekrarlanan ölçümler tasarımları için ICC, aynı birey üzerindeki zaman içindeki ölçümler arasındaki korelasyonu temsil eder ve zaman noktalarının sayısı DEFF formülündeki küme boyutunun yerini alır. Kişiler arası varyans ve kişiler içi (artık) varyans, tipik olarak bir pilot veri kümesinden veya yayınlanmış büyüme eğrisi çalışmalarından ayrı olarak tahmin edilmelidir.
Kaynaklar
- Snijders, T.A.B. & Bosker, R.J. (2012). Multilevel Analysis: An Introduction to Basic and Advanced Multilevel Modeling (2nd ed.). SAGE. ISBN: 978-1849202015
- Hox, J.J., Moerbeek, M. & van de Schoot, R. (2017). Multilevel Analysis: Techniques and Applications (3rd ed.). Routledge. DOI: 10.4324/9781315650982 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Power Analysis for Multilevel and Mixed-Effects Models. ScholarGate. https://scholargate.app/tr/statistics/power-analysis-multilevel
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Karma Etkiler Modeliİstatistik↔ karşılaştır
- Tek yönlü Varyans Analiziİstatistik↔ karşılaştır
- ANOVA için Güç Analiziİstatistik↔ karşılaştır
- Çoklu Regresyon için Güç Analiziİstatistik↔ karşılaştır