Cálculo del tamaño de la muestra Prueba de suma de rangos de Wilcoxon

Question

Actualmente estoy escribiendo un trabajo de seminario en el que, entre otras cosas, realizo una prueba de suma de rangos de Wilcoxon. El tamaño de la muestra es muy pequeño, por lo que no tengo resultados significativos. Mi profesor pensó que podría ser interesante calcular el tamaño de la muestra que sería suficiente para un nivel de significación del 5%, suponiendo que el efecto sea tan fuerte como el que encontré.

Estoy un poco perdido ya que nunca he hecho un cálculo de tamaño de muestra de este tipo. He encontrado el paquete de R "samplesize" con una función llamada "n.wilcox.ord" que parece servir para ello, pero desgraciadamente no le encuentro ningún sentido (especialmente al "vector de proporciones esperadas" que se necesita allí).

Es un diseño dentro de los sujetos con un tamaño de muestra de 22. La potencia estadística es de 0,8 con un alfa de 0,05

¿Hay alguna otra forma de hacer el cálculo? Cualquier ayuda es muy apreciada.

Answer 1

Suelo recurrir a la simulación para calcular la potencia de la prueba de rango de signos de Wilcoxon. Tengo mi propia función que uso para esto. Utilízala bajo tu propio riesgo, ya que no sé si alguien la ha validado.

Puede leer la función directamente utilizando

source("https://raw.githubusercontent.com/nutterb/StudyPlanning/master/R/sim_wilcoxon.R")

o instalar el paquete (hace un par de años que no lo desarrollo activamente) utilizando:

devtools::install_github("nutterb/StudyPlanning")

Para que funcione, tendrá que estimar las distribuciones de cada uno de los grupos de su muestra. En el ejemplo siguiente, he supuesto que un grupo sigue una distribución de Poisson con una media de 2,1, y el otro sigue una distribución de Poisson con una media de 3,53. También he supuesto tamaños de muestra iguales. Esto produce una potencia estimada de 0,444.

set.seed(123)

sim_wilcoxon(n=22,                 # total sample size
            weights=list(c(1, 1)), # equal sample size per group
            rpois(lambda=2.1),     # distribution of first sample
            rpois(lambda=3.53),    # distribution of second sample
            nsim=1000)

  n_total n1 n2   k alpha power nsim pop1_param  pop2_param pop1_dist pop2_dist
1      22 11 11 0.5  0.05 0.444 1000 lambda=2.1 lambda=3.53     rpois     rpois