Ejemplo de cálculos de tamaño de Benjamini-Hochberg, páramos de poniente-Joven, Holm-Bonferroni métodos

Question

Actualmente estoy a la configuración de un experimento en donde se pueden hacer comparaciones múltiples (es decir, la comparación de varios tratamientos con un control al mismo tiempo). Es bastante sencillo para calcular la necesaria muestra de tamaño utilizando la corrección de Bonferroni. Sin embargo, el método de Bonferroni es bastante conservador, y estoy preocupado de que estamos perdiendo el tiempo o los recursos que llegan más muestras de lo que necesitamos.

Hay maneras de calcular necesario de la muestra de tamaño para otros métodos de corrección, tal como Benjamini-Hochberg, Holm-Bonferroni, páramos de poniente-el Joven de corrección?

O, en su experiencia, es más probable ver cualquier disminución significativa (más de 5%) en la muestra de tamaño utilizando cualquiera de estos métodos?

La prueba en cuestión es una simple comparación de los efectos del tratamiento en una categoría de variable de resultado, con el que se espera significa que en un 50%.

Answer 1

Lo que se suele hacer (aunque es más fácil de decir que de hacer), es este:

• realizar un estudio piloto que le da una idea de los datos que usted maneja
• basado en esto (o si un estudio piloto no es una opción, el conocimiento acerca de el dominio), crear un modelo de generación de así que usted puede los datos de muestra que 'se parece a' la verdad de datos. Hacer esto de modo que usted puede controlar que las observaciones son de los casos (en el sentido que usted quiere que ellos escogieron por las pruebas) y que son controles (de nuevo, en el sentido de que quieren ellos para no ser detectado por las pruebas).
• para cada una de un conjunto razonable de los tamaños de muestra, correr 100 o 1000 simulaciones (es decir: cree que muchos conjuntos de datos, cuantos más, mejor), y ejecutar el análisis. Cómo calcular bien, por ejemplo, el falso tasa de descubrimiento realiza.
• ahora usted tiene las estimaciones para cada tamaño de muestra sobre lo bueno que cada uno de sus medidas de realizar, así que elija su tamaño de la muestra para el rendimiento usted necesita (si es alcanzable), y ser conservador (es decir: si puedes, agregar otro losa de obervations)

La dificultad en el de arriba es, obviamente, en la creación de datos modelo de generación. Una vez más, en caso de duda: hacer que los "verdaderos efectos de' pequeños y añadir un montón de ruido, para mantenerlo en el lado conservador.

Estoy bastante seguro de que el artículo original en FDR contiene ejemplos de donde FWER realiza realmente mal, así que es de esperar que el tamaño de la muestra cálculos podrían ser muy diferentes con las diferentes medidas.