simr:如何在lm()或aov()模型中指定预期的效果大小？

Question

我试图使用simR来评估简单GLMs的能力，以检测特定的效果大小，给出一组试点数据。例如：

library(simr)
m1 = lm(y ~ x, data=simdata)
powerSim(m1)

在测试能力以检测“观察”效果大小(即试验数据中存在的任何影响大小)时，我没有问题，不过，我想指定一个“预期的”效果大小。在处理LMER模型时，使用fixef函数很容易做到这一点，例如：

m2 = lmer(y ~ x + (1|g), data=simdata)
fixef(m2)['x'] = <expected effect size>

不幸的是，此函数不适用于aov()或lm()模型。例如，使用..。

fixef(m1)['x'] = <expected effect size>

结果出现以下错误：

Error in UseMethod("fixef") : 
  no applicable method for 'fixef' applied to an object of class "c('aov', 'lm')"

我是否可以使用另一种方法/包/解决方案来更改aov()或lm()的效果大小？我认为这可能需要对摘要输出进行“黑客攻击”，从而改变F值(对于aov())或系数值(对于lm())，但是我没有任何运气能够使其工作起来。

任何建议都将不胜感激！

编辑

为了澄清，我所说的“效应大小”是指由模型产生的固定效应系数。因此，在以下输出中：

# Call:
# lm(formula = y ~ x, data = simdata)

# Coefficients:
# (Intercept)            x  
#     10.6734      -0.2398

x的“影响大小”为-0.2398。在功率分析中，改变影响大小应该直接影响统计能力(因为大的影响需要较少的检测功率，反之亦然)。例如，在使用LMER时，使用fixef()更改效果大小直接影响统计能力：

m2 = lmer(y ~ x + (1|g), data=simdata)
summary(powerSim(m2, progress=F, nsim=100)

#   successes trials mean     lower     upper
# 1        96    100 0.96 0.9007428 0.9889955

指定较小的影响大小和重新评估能力：

fixef(m2)['x'] = 0.05
summary(powerSim(m2, progress=F, nsim=100)
#   successes trials mean     lower     upper
# 1        12    100 0.12 0.0635689 0.2002357

我尝试使用以下方法修改lm()的系数值：

m1 = lm(y ~ x, data=simdata)
m1$coefficients['x'] = <expected effect size>

然而，这对功率没有影响，例如当系数从0.9变到0.09时

m1$coefficients['x'] = 0.9
summary(powerSim(m1, progress=F, nsim=100))
#   successes trials mean     lower     upper
# 1        22    100 0.22 0.1433036 0.3139197

m1$coefficients['x'] = 0.09
summary(powerSim(m1, progress=F, nsim=100))
#  successes trials mean     lower     upper
# 1        24    100 0.24 0.1602246 0.3357355

因此，我想我的问题的一个更准确的措辞是:如何以一种反映统计能力变化的方式来改变aov()/lm()模型的效果大小？

Answer 1

你需要使用：

coef(m1)['x'] = <expected effect size>

而不是

fixef(m1)['x'] = <expected effect size>

Answer 2

对此，最简单的解决方案是完全避免使用powerSim，而是使用包pwr中的pwr.f2.test。这提供了一个精确的功率测量(相对于模拟功率)，给定特定的模型参数和预期的效果大小。

m1 = lm(y ~ x, data=simdata)
anova(m1) 

# Analysis of Variance Table
# 
# Response: y
# Df  Sum Sq Mean Sq F value Pr(>F)
# x          1  14.231 14.2308  1.5943 0.2171
# Residuals 28 249.925  8.9259 

将anova(m1)中的df值用于u和v参数到pwr.f.test

pwr.f2.test(u=1, v=28, f2=<expected effect size>)

多亏了@StupidWolf，你才弄明白了这一点！