Simülasyon Tabanlı Güç Analizi (Monte Carlo Gücü)
Simulation-Based Power Analysis (Monte Carlo Power) · Ayrıca şöyle bilinir: Monte Carlo power analysis, Monte Carlo simulation power, MC power, Simülasyon Tabanlı Güç Analizi (Monte Carlo Power)
Simülasyon tabanlı güç analizi, yapay olarak üretilmiş veriler üzerinde tam bir analiz işlem hattını binlerce kez tekrarlayarak bir çalışmanın istatistiksel gücünü ve gerekli örneklem büyüklüğünü tahmin eder. Analitik güç formülleri yerine Monte Carlo simülasyonuna dayandığı için, karmaşık modeller, karmaşık ölçüm yapıları, standart dışı sonuçlar gibi analitik güç formüllerinin bulunmadığı tasarımlar için uygulanabilir. Yaklaşım, uygulamalı araştırmalar için Arnold ve ark. tarafından 2011'de sistematik olarak tanımlanmış ve SIMR paketi aracılığıyla karmaşık model uygulaması Green ve MacLeod tarafından 2016'da biçimlendirilmiştir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Tasarımınız için kapalı formda güç formülü bulunmadığında simülasyon tabanlı güç analizi kullanın. Tipik senaryolar arasında genelleştirilmiş doğrusal karma modeller, çok düzeyli veya kümelenmiş veriler, orantısız tehlikelere sahip sağkalım sonuçları, aracılık veya aracılık modelleri ve planlanmış eksik verilere sahip ölçüm tasarımları yer alır. Tutulması gereken dört temel varsayım şunlardır: (1) veri üretme süreci doğru şekilde belirtilmiştir, (2) tam analiz işlem hattı — yalnızca test değil — her simülasyon çalıştırmasında tekrarlanır, (3) etki büyüklüğü ve varyans parametreleri tahmin edilmek yerine bir pilot çalışma veya yayınlanmış literatüre dayanmaktadır ve (4) en az 1000 tekrar kullanılır (son raporlama için 5000–10000).
Güçlü yönler & sınırlılıklar
- Analitik güç formülü olmayanlar da dahil olmak üzere hemen hemen her istatistiksel modele uygulanabilir.
- Gerçek analiz işlem hattını, ön işleme ve model seçimi adımları dahil olmak üzere sadakatle yansıtır.
- Nicelendirilebilir bir Monte Carlo standart hatası ile yorumlanabilir bir tahmin üretir.
- Normallik dışı, eksik veri ve karmaşık kovaryans yapıları gibi gerçekçi veri özelliklerini içerebilir.
- Sonuçlar yalnızca varsayılan veri üretme süreci kadar geçerlidir; yanlış belirtilmiş bir DGP yanıltıcı güç tahminleri verir.
- Hesaplama açısından yoğundur: binlerce model uydurma karmaşık modeller için yavaş olabilir.
- Kendileri de belirsiz olabilen pilot veri veya literatüre dayalı parametre tahminleri gerektirir.
- 1000'den az tekrarla Monte Carlo standart hatası güvenilir planlama kararları için çok büyüktür.
SSS
Kaç simülasyon tekrarı gereklidir?
Kullanılabilir bir tahmin elde etmek için minimum 1000 tekrar gereklidir. Yayın kalitesinde bir rapor için 5000–10000 önerilir. Monte Carlo standart hatası yaklaşık olarak sqrt(güç × (1 − güç) / B)'dir, bu nedenle B = 1000 ve güç = 0.80'de standart hata yaklaşık 0.013'tür; B = 5000'de ise yaklaşık 0.006'ya düşer.
Veri üretme süreci nedir ve neden önemlidir?
DGP, her sentetik veri kümesi üretmek için kullanılan istatistiksel modeldir — varsayılan etki büyüklüğünü, artık varyansı, korelasyon yapısını ve dağılım ailesini kodlar. DGP gerçek verilerle eşleşmezse (örneğin, sayım verileri olduğunda normal hatalar kullanmak gibi), güç tahmini çalışmanın gerçekte neyi başaracağını yansıtmayacaktır.
Ne zaman analitik güç analizi kullanmalıyım?
Testinizin iyi doğrulanmış bir kapalı form güç fonksiyonu varsa — örneğin, iki örneklem t-testi, tek yönlü ANOVA veya ki-kare testi — analitik formülü (örneğin, G*Power aracılığıyla) kullanın. Simülasyon tabanlı analiz, bu durumlarda fayda sağlamadan hesaplama maliyeti ekler ve analitik çözümlerin bulunmadığı veya yetersiz olduğu tasarımlar için saklanmalıdır.
Herhangi bir örneklem büyüklüğü, çok küçük olanlar dahil, için simülasyon gücü analizi kullanabilir miyim?
Evet — bazı analitik formüllerin aksine, simülasyon minimum örneklem büyüklüğü dayatmaz. Ancak, çok küçük örneklemler her simüle edilmiş veri kümesinin oldukça değişken olduğu anlamına gelir, bu nedenle DGP varsayımları daha etkili hale gelir ve pilot tahminler daha az kararlı hale gelir. Çok küçük planlanmış örneklemlerden elde edilen sonuçları dikkatle yorumlayın ve duyarlılık analizleri tavsiye edilir.
Kaynaklar
- Arnold, B.F. et al. (2011). Simulation Methods to Estimate Design Power: An Overview for Applied Research. BMC Medical Research Methodology, 11, 94. DOI: 10.1186/1471-2288-11-94 ↗
- Green, P. & MacLeod, C.J. (2016). SIMR: An R Package for Power Analysis of Generalized Linear Mixed Models by Simulation. Methods in Ecology and Evolution, 7(4), 493–498. DOI: 10.1111/2041-210X.12504 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Simulation-Based Power Analysis (Monte Carlo Power). ScholarGate. https://scholargate.app/tr/statistics/simulation-based-power
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesci Güç Analizi (Teminat)İstatistik↔ karşılaştır
- Bağımsız Örneklem t-testiİstatistik↔ karşılaştır
- Çok Düzeyli ve Karma Etkili Modeller için Güç Analiziİstatistik↔ karşılaştır
- Tek yönlü Varyans Analiziİstatistik↔ karşılaştır
- t-test için Güç Analiziİstatistik↔ karşılaştır
- Sıralı Analiz (Grup Sıralı Tasarım)İstatistik↔ karşılaştır