Yayınlanma tarihi: | Son güncelleme tarihi:
Hiçbir şey bulamayan bir çalışma otomatik olarak başarısız sayılmaz ve bir şey bulan bir çalışma da otomatik olarak doğru değildir. Güvenilir bir sıfır sonucu boşa harcanmış bir sonuçtan ve gerçek bir keşfi şanslı bir p-değerinden ayıran şey, genellikle çoğu araştırmacının tek bir veri noktası toplamadan önce yaptığı bir hesaplamaya dayanır. Güç analizi, belirli bir soruyu yanıtlar: En küçük, önemsenmeye değer etkiyi göz önünde bulundurarak, bir çalışmanın bunu tespit etme şansının yüksek olması için kaç katılımcıya, örneğe veya gözleme ihtiyacı vardır? Bu hesaplamayı atlarsanız, bir çalışma gerçekten var olan bir etkiyi bulmak için çok küçük kalabilir veya daha nadiren, gerekenden daha büyük olabilir ve bütçeyi ve katılımcıların zamanını gerçek bir kazanç olmadan tüketebilir.
Etik kurulları, dergi hakemleri ve hibe panelleri artık bu sayıyı istiyor ve bunun da geçerli bir sebebi var. On yıllarca yayınlanan çalışmalar, hesaplamaya dayalı olmaktan ziyade alışkanlık, bütçe veya tahmine dayalı olarak seçilen örneklem büyüklükleriyle yürütüldü ve bu modele ilişkin araştırma literatürü hiç de olumlu değil. Bu kılavuz, güç analizinin dayandığı dört sayıyı ele alıyor, gerçek aritmetik kullanarak tam bir hesaplama yapıyor, araştırmacıların en sık kullandığı dört tasarım için güç analizini kapsıyor ve çalışmaların matematiği en sık nerede yanlış yaptığını gösteriyor.
Basit Sözlerle
Güç analizi, bir çalışma başlamadan önce yapılan, çalışma bittikten sonra değil, yapılan bir aritmetik hesaplamadır. Pratik bir soruyu yanıtlar: Gerçek bir etki varsa, çalışmanın bunu yakalama şansının yüksek olması için kaç kişiye, hayvana veya örneğe ihtiyacınız var? Hesaplama dört bileşenin birlikte çalışmasını gerektirir: Sizin için ne kadar büyük bir etki önemli, yanlış alarm riskini ne kadar kabul edeceksiniz, gerçek bir etkiyi ne kadar güvenilir bir şekilde yakalamak istiyorsunuz ve diğer üç sayıyı birbiriyle tutarlı kılan örneklem büyüklüğü. Bunu doğru yaparsanız, sıfır sonuç bir anlam ifade eder. Bunu atlarsanız, sıfır sonuç sadece çalışmanın hiçbir zaman adil bir şansa sahip olmadığı anlamına gelebilir.
Güç Analizi Gerçekte Neleri Belirliyor?
Her hipotez testi, yanlış sonuçlanmanın iki yolunu içerir. Bir çalışma, doğru bir sıfır hipotezini reddedebilir (istatistikçilerin Tip I hatası olarak adlandırdığı yanlış alarm) veya yanlış bir sıfır hipotezini reddetmeyebilir (Tip II hatası olarak adlandırılan ıskalama). Alfa, bir araştırmacının kabul etmeyi kabul ettiği Tip I hatası riskidir ve neredeyse her zaman 0.05 olarak belirlenir. Güç, aynı testi ters açıdan inceler. Güç, bir eksi beta'ya eşittir; burada beta, Tip II hata oranıdır ve gerçekten var olan bir etkiyi doğru bir şekilde tespit etme olasılığını gösterir.
| Test Kararı | Sıfır Hipotezi Aslında Doğru | Sıfır Hipotezi Aslında Yanlıştır |
|---|---|---|
| Boş hipotezi reddet | Birinci tip hata oranı = α (genellikle 0.05) | Doğru tespit oranı = güç = 1 − β |
| Boş değeri reddetmeyi başaramadı. | Doğru tespit edilememe oranı = 1 − α | Tip II hata oranı = β |
Örneklem büyüklüğü, tüm bunları birbirine bağlayan kaldıraçtır. Etki büyüklüğü ve alfa sabit tutulduğunda, daha büyük bir örneklem gücü artırır, çünkü daha fazla veri, bir tahmin etrafındaki gürültüyü azaltır ve gerçek bir farkı şanstan ayırmayı kolaylaştırır. Güç analizi, araştırmacının istediği güç ve etki büyüklüğünden başlayarak, bu hedefe ulaşmasını sağlayacak örneklem büyüklüğünü hesaplayarak bu ilişkiyi tersten yürütür.
Güç Analizinin Arkasındaki Dört Sayı
Güç analizinde dört nicelik birbirini belirler ve bunlardan herhangi üçünün sabitlenmesi dördüncüsünü de etkiler. Etki büyüklüğü, bir farkın veya ilişkinin ne kadar anlamlı sayıldığını tanımlar ve sonuçlar ve çalışmalar arasında karşılaştırılabilmesi için standartlaştırılmış bir ölçekte ifade edilir. Alfa, yanlış pozitif toleransını belirler; uygulamalı araştırmalarda neredeyse her zaman 0.05'tir, yanlış alarmın pahalı veya tehlikeli olacağı durumlarda bazen 0.01'e kadar daraltılır. Güç, gerçek bir etkiyi kaçırma toleransını belirler; geleneksel olarak 0.80'dir ve doğrulayıcı veya yüksek riskli çalışmalar için giderek 0.90'a kadar çıkar. Diğer üçü sabitlendikten sonra örneklem büyüklüğü ortadan kalkar.
Yüzde seksen, büyük ölçüde Jacob Cohen'in etki büyüklüğü ve örneklem büyüklüğü üzerine yaptığı etkili çalışmalar nedeniyle geleneksel güç hedefi haline geldi ve hala çoğu dergi ve fon sağlayıcı kılavuzunda varsayılan değer olarak karşımıza çıkıyor. Ancak, gerçek bir etkinin araştırmacıların başlangıçta umduğundan daha küçük çıkma olasılığının çokluğu göz önüne alındığında, giderek artan sayıda metodolog bunun yerine yüzde 90'ı savunuyor.
Cohen ayrıca küçük, orta ve büyük etkiler için kıyaslama değerleri önerdi ve psikoloji, tıp ve epidemiyoloji alanlarındaki araştırmacılar, önceki verilerden daha iyi bir tahmin bulunmadığında hala bu değerlere başvuruyorlar. Bunlar geleneklerdir, doğa kanunları değildir. Bir pilot çalışma veya yakından ilgili araştırmalardan yayınlanmış bir etki büyüklüğü, genel bir tahminden her zaman daha iyidir.
| test | Etki Büyüklüğü Ölçümü | Küçük | Orta | Büyük |
|---|---|---|---|---|
| İki grup karşılaştırması | Cohen'in d | 0.2 | 0.5 | 0.8 |
| İki sürekli değişken arasındaki ilişki | Korelasyon r | 0.1 | 0.3 | 0.5 |
| Üç veya daha fazla grup ortalamasını karşılaştırmak | Cohen'in f | 0.10 | 0.25 | 0.40 |
| Çoklu regresyon | Cohen'in f²'si | 0.02 | 0.15 | 0.35 |
| Kategorik ilişki | Cohen'in w | 0.10 | 0.30 | 0.50 |
Güç analizinin yanlış gitmesinin en yaygın yollarından biri, o tabloda yanlış satırı seçmektir. Bir alandaki orta düzey etki, başka bir alanda iyimser veya kötümser olabilir ve benzer çalışmaların gerçekte ne bulduğunu kontrol etmeden "orta"yı varsaymak, hesaplama gibi görünen bir tahmindir. Alfa ve istatistiksel anlamlılığın birbirleriyle nasıl ilişkili olduğunu anlamak, bu sayıları kesinleştirmeden önce gözden geçirmeye değerdir, çünkü bu iki karar birbirleriyle etkileşim halindedir.
Yetersiz örneklem büyüklüğüne sahip çalışmalar varsayımsal bir sorun değildir.
Bu adımın atlanmasının sonuçları teorik değil, belgelenmiştir. Olumsuz olarak yayınlanan 71 klinik çalışmanın yeniden incelenmesi, bunların 67'sinin (%94'ü) yeterli sayıda hasta kaydetmedikleri için %25'lik gerçek bir tedavi iyileşmesini gözden kaçırma riskinin %10'dan fazla olduğunu ortaya koymuştur. Aynı 71 çalışmanın 50'si (%70'i) %50'ye kadar büyük bir iyileşmeyi gözden kaçırmış olabilir (Freiman vd., 1978, New England Journal of Medicine ).
Moher, Dulberg ve Wells tarafından yapılan bir takip analizinde, 1975, 1980, 1985 ve 1990 yılları arasında JAMA , The Lancet ve New England Journal of Medicine'de yayınlanan 383 çalışma incelenmiştir . Kullanılabilir sonuç verilerine sahip 70 olumsuz iki gruplu çalışmanın yalnızca %16'sı %25'lik bir göreceli farkı tespit edebilecek istatistiksel güce sahipti ve yalnızca %36'sı %50'lik bir göreceli farkı tespit edebiliyordu; bu rakamlar on beş yıllık yayın süresi boyunca neredeyse hiç değişmedi. Raporlama bu süre zarfında iyileşti. Örneklem büyüklüğü hesaplamaları, 1975'te bu makalelerin %0'ında yer alırken, 1990'da %43'üne yükseldi; bu gerçek bir ilerleme olsa da, %43 hala olumsuz sonuç veren çalışmaların çoğunun çalışmalarını göstermediği anlamına geliyor (Moher vd., 1994, JAMA ).
Dört on yıllık meta-araştırma sürecinde aynı başarısızlık tekrar tekrar ortaya çıkıyor. Çalışmalar, bütçe veya katılımcı bulma süresinin izin verdiği örneklem büyüklüğüne göre oluşturuluyor ve daha sonra bu sayının belirli, önceden belirtilmiş bir etkiyi tespit etmek için seçilmiş gibi analiz ediliyor. Genellikle öyle olmuyor. Rastgele kontrollü çalışma tasarımı ve analizi, tek bir katılımcı bile kaydedilmeden önce bu parçanın doğru yapılmasına bağlıdır, çünkü bir çalışma zaten yetersiz güçte ve devam ederken istatistiksel olarak kurtarılamaz.
Güç Analizinizi Nasıl Yürüteceğinizi Seçmek
Örneklem büyüklüğüne ulaşmak için üç pratik yol vardır ve doğru olanı, tasarımın ne kadar standart olduğuna bağlıdır. Ders kitaplarında yer alan tasarımlar için iki gruplu karşılaştırma, tek yönlü ANOVA, korelasyon, standart regresyon gibi yöntemler mevcuttur; kapalı formüller bulunur ve ücretsiz yazılımlar bunları anında uygular. G*GüçHeinrich Heine Üniversitesi Düsseldorf'taki bir ekip tarafından geliştirilen ve yaygın olarak alıntı yapılan bir yöntem makalesinde belgelenen bu araç, tıklama tabanlı bir arayüz aracılığıyla bu testlerin çoğunu kapsar ve yöntem derslerinde ve dergi kılavuzlarında en sık önerilen ücretsiz seçenek olmaya devam etmektedir (Faul vd., 2007). Davranış Araştırma YöntemleriR kullanıcıları eşdeğer hesaplamaları şu şekilde elde ederler: pwr G*Power'ın çıktısını yansıtan ve tekrarlanabilir bir analiz senaryosuna doğal olarak uyan bir paket.
Formüller ve G*Power, oldukça standart bir tasarım varsayımına dayanır. Bir çalışma kümeleme, örneğin klinikler içinde yer alan hastalar, aynı kişi üzerinde tekrarlanan ölçümler, planlanmış eksik veriler veya karma etkili veya Bayes analizi gibi standart olmayan bir model içerdiğinde, kapalı form formülleri güvenilirliğini kaybeder ve simülasyon daha güvenli bir seçenek haline gelir. Simülasyon tabanlı bir güç analizi, varsayılan bir etki büyüklüğü ve analiz modeli altında binlerce sentetik veri seti oluşturur, her birinde gerçek planlanmış istatistiksel testi çalıştırır ve anlamlılığa ulaşan çalıştırmaların oranını rapor eder. Kurulumu G*Power'a sayı yazmaktan daha uzun sürer, ancak kapalı form formüllerinin ele alamadığı karmaşıklığı ele alır.
Gerçekte Çalıştıracağınız Dört Tasarım İçin Güç Analizi
Aşağıda, uygulamalı araştırmaların çoğunu kapsayan dört tasarım, her birinin ardındaki formül mantığı ve orta etki büyüklüğü, 0.05 alfa ve %80 güçte gerçek bir hesaplanmış örnek verilmiştir. Aşağıdaki tüm rakamlar, araştırmacıların kendi protokolleri için kullandıkları aynı istatistiksel yazılımdan elde edilmiştir, genel bir kuraldan değil.
İki Bağımsız Grup (t-testi)
İki bağımsız grup arasındaki ortalamayı karşılaştırmak, bir tedavi grubunu kontrol grubuyla veya maruz kalan grubu maruz kalmayan grupla karşılaştırmak, örneklem büyüklüğü tartışmalarının çoğunda varsayılan tasarımdır. Buradaki güç, grup ortalamaları arasındaki farkın standart sapma birimleri cinsinden ifade edilmesi olan Cohen'in d değerine bağlıdır. Lojistik regresyon, sonuç sürekli değil de ikili olduğunda benzer bir iki grup karşılaştırmasını , aşağıda daha ayrıntılı olarak ele alınan ilgili ancak farklı bir hesaplama kullanarak ele alır.
Tek Yönlü ANOVA (Üç veya Daha Fazla Grup Ortalaması)
Karşılaştırma iki grubu aştığında, t-testinin yerini ANOVA alır ve etki büyüklüğü, her grup içindeki değişkenliğe göre grup ortalamalarının ne kadar yayılmış olduğunu özetleyen Cohen'in f'sine dönüşür. Çoklu gruplara ek olarak kümeleme ekleyen tasarımlar, örneğin bireysel hastalar yerine klinikleri rastgele seçen bir çalışma , aynı kümedeki hastaların farklı kümelerdeki hastalara göre birbirine daha çok benzemesini hesaba katmak için gerekli örneklem boyutunu artıran tasarım etkisi adı verilen ek bir ayarlamaya ihtiyaç duyar.
Korelasyon (İki Sürekli Değişken Arasındaki İlişki)
Kan basıncı ve yaş veya anket puanı ve sonuç ölçütü gibi iki sürekli değişkenin birlikte hareket edip etmediğini test etmek, etki büyüklüğü olarak doğrudan Pearson'ın r katsayısını kullanır. Burada doğru testi seçmek, göründüğünden daha önemlidir, çünkü teoride doğrusal görünen ancak gerçek verilerde doğrusal olmayan bir ilişki, bunun yerine genellikle daha az güçlü, parametrik olmayan farklı bir yaklaşım gerektirir.
Çoklu Regresyon (Bir Sonucun Öngörücülerinin Test Edilmesi)
Birden fazla tahminleyiciyi aynı anda test eden veya kovaryatları dikkate alarak tek bir tahminleyiciyi test eden regresyon modelleri, ilgili tahminleyiciler tarafından açıklanan varyansı, geriye kalan varyansa karşı karşılaştıran bir oran olan Cohen'in f²'sini kullanır. Klinik araştırmalarda çok değişkenli regresyon, modele birden fazla kovaryat girdiğinde genellikle basit iki gruplu karşılaştırmadan daha fazla katılımcı gerektirir ve ikili bir sonuç için lojistik regresyon, standart güç hesaplamasının üzerine ek bir kural daha içerir; bu kural genellikle tahminleyici değişken başına yaklaşık on gözlemlenen olay olarak ifade edilir.
| Tasarım | Orta Etki Boyutu | Gerekli Örnek Boyutu |
|---|---|---|
| İki bağımsız grup (t-testi) | d=0.5 | Grup başına 64 (N = 128) |
| Tek yönlü ANOVA, 3 grup | f = 0.25 | Grup başına 53 (N = 159) |
| Korelasyon (Pearson r) | r = 0.3 | N = 85 |
| Çoklu regresyon, 5 öngörücü | f² = 0.15 | N = 92 |
| Ki-kare, 2×2 tablo | ağırlık = 0.3 | N = 88 |
Tüm rakamlar α = 0.05, çift taraflı ve %80 güçte, R kullanılarak hesaplanmıştır. stats hem de pwr Aynı girdiler için G*Power'ın çıktısıyla eşleşen paketler.
Tekrar Kullanabileceğiniz Bir Uygulama Örneği
İşte tablonun ilk satırının arkasındaki tüm hesaplama, mantığın yazılım içinde gizlenmesi yerine görünür olması için elle yapılmıştır.
Sürekli bir sonuç üzerinde yeni bir müdahalenin standart bakımla karşılaştırıldığı iki kollu bir deneyi düşünün. Önceki literatüre dayanarak, Cohen'in d = 0.5'lik standartlaştırılmış farkı, tespit edilmeye değer en küçük etkidir; bu, geleneksel bir orta düzey etkidir. Alfa, standart eşik olan iki taraflı 0.05 olarak ayarlanmıştır ve %80 güç ile, eğer gerçekten varsa, bu etkiyi tespit etme olasılığı %80'dir.
İki grup karşılaştırması için normal yaklaşım formülü, grup başına n'nin, (alfa/2 için z + güç için z)'nin karesinin 2 katına, d'nin karesine bölünmesiyle elde edilir. Standart değerler, 0.025'te z için 1.96 ve %80 güçte z için 0.84'tür.
= 2 × (2.80)² ÷ 0.25
= 2 × 7.84 ÷ 0.25
= 15.68 ÷ 0.25
= 62.8, grup başına 63 katılımcıya yuvarlandı
Bu normal yaklaşım doğruya yakın bir sonuç veriyor, ancak G*Power veya R'nin hesapladığıyla tam olarak aynı değil. Her ikisi de yukarıdaki kısayol yerine, biraz daha muhafazakar olan tam merkez dışı t-dağılımını kullanıyor. Aynı girdileri, d = 0.5, alfa = 0.05 çift taraflı, %80 güç değerlerini R'nin algoritmasıyla çalıştırdığımızda... power.t.test Fonksiyon, grup başına 63.8 değerini döndürür ve bu değer yukarı yuvarlanır. Grup başına 64 katılımcı, toplam 128 kişi.Bu, yöntemler bölümünün aslında bildireceği sayı ile G*Power'ın bu tasarım için ürettiği aynı rakamdır.
Yaklaşık ve kesin cevap arasındaki farkın önemi tek bir nedenden kaynaklanıyor. Yazılımın gerçekten kullandığı kesin yöntem yerine kabaca bir kısayola güvenmek, zamanla büyüyen küçük bir eksikliktir. Bütçe tablosunda önemsiz görünebilecek bir eksiklik olan, grup başına 64 yerine sadece 40 katılımcı alın ve aynı d = 0.5 etki için elde edilen güç, çalışmanın tasarlandığı %80 yerine %60'ın biraz altına düşer. Bu, gerçek, orta düzeyde bir etkiyi tamamen kaçırmak için neredeyse yazı tura atmaya benzer ve Freiman ve Moher'in onlarca yıldır yayınlanmış denemelerde belgelediği eksiklik modeli tam olarak budur.
| Grup Başına Örneklem Büyüklüğü | Elde Edilen Güç (d = 0.5, α = 0.05) |
|---|---|
| 40 | 59.8% |
| 64 | 80.2% |
| 86 | 90.0% |
Önceki tablodaki satırlardan birine uyan bir tasarım için, Editverse'in ücretsiz örneklem boyutu hesaplayıcısı, R veya G*Power'ın yerel olarak kurulu olmasını gerektirmeden bu matematiksel işlemi tam olarak gerçekleştirir ve kullanımına ilişkin adım adım kılavuz , her giriş alanını ayrıntılı olarak açıklar.
Güç Analizini Sessizce Bozan Hatalar
- Kendi sonucunuzdan yola çıkarak sonradan hesaplama gücü elde etmek. Bir çalışmanın kendi p-değerinden sonradan hesaplanan güç, matematiksel olarak o p-değerinin yeniden ölçeklendirilmiş bir versiyonudur. Gerçek anlamda hiçbir bilgi eklemez ve çoğu metodolog bunu rapor etmemeyi tavsiye eder.
- Ön veriler veya literatür dayanağı olmadan etki büyüklüğünü tahmin etmek. "Orta" seçeneğini mantıklı geldiği için tercih etmek, hesaplamayı laboratuvar önlüğü giymiş bir tahmine dönüştürür.
- Beklenen veri kaybını veya eksik verileri göz ardı ediyoruz. Güç analizi, kayıtlı örneklem büyüklüğünü değil, analiz edilen örneklem büyüklüğüne olan ihtiyacı verir. Beklenen kayıp oranı, hesaplanan sayının üzerine eklenmeli, sonradan dahil edilmemelidir.
- Kümeleme, tekrarlanan ölçümler veya çoklu karşılaştırmalar için düzeltme yapılmamıştır. Bu değişikliklerin her biri, fiilen harcanan etkili örneklem boyutunu veya alfa değerini değiştirir ve ayarlamayı atlamak, bir çalışmanın sahip olduğuna inandığı gücü sessizce aşındırır.
- Güç analizini etik kurulunun bir kez işaretlemesi gereken bir kutucuk olarak ele almak. Çalışmaya yeni bir kol eklemek, birincil sonucu değiştirmek veya analiz planını çalışma ortasında revize etmek, yeni bir hesaplama yapılmasını gerektirmelidir ve bu adım, olması gerekenden daha sık atlanmaktadır.
- İstatistiksel anlamlılığı pratik anlamlılıkla karıştırmak. Çok büyük bir örneklem, klinik veya pratik açıdan önemsiz olacak kadar küçük bir farkı tespit etmek için yeterli güce sahip olabilir; bu da kendi başına bir tasarım hatasıdır.
Makale veya Hibe Başvurusu İçin Güç Analizinizi Yazmak
Yöntemler bölümü, bir değerlendirici veya hibe paneli istatistikçisinin güç analizini gerçekten kontrol edebilmesi için yeterli bilgi içermelidir; sadece analiz yapıldığına güvenmekle yetinmemelidir. Bu, varsayılan etki büyüklüğünün nereden geldiğini (bir pilot çalışma, yayınlanmış bir meta-analiz veya belirtilen minimum klinik olarak önemli fark) alfa ve güç hedefleriyle birlikte kullanılan yazılım veya formülün tam olarak belirtilmesi anlamına gelir.
- Etkinin büyüklüğünü ve kaynağını belirtin. “Önceki çalışmaya dayanarak orta düzeyde bir etki, d = 0.5 varsaydık” ifadesi kontrol edilebilir. “Makul bir etki varsaydık” ifadesi ise kontrol edilemez.
- Alfa ve güç değerlerini açıkça belirtin. Okuyucunun bunları yalnızca nihai örneklem büyüklüğü sayısından çıkarım yapmasına izin vermeyin.
- Yazılımın adını ve testini belirtin. G*Power, R'nin
pwr`package`, `PASS` ve `nQuery`, kenarlarda biraz farklı sayılar üretebilir; bu nedenle araca isim vermek, başka birinin bu rakamı yeniden üretmesine olanak tanır. - Son rakamı, okuldan ayrılma veya kümelenme nedeniyle oluşabilecek enflasyonu da dahil ederek, dürüstçe bildirin. Hesaplamada öngörülenden daha az katılımcı kaydedildiyse, bunu belirtin ve ortaya çıkan gücü bir değerlendiricinin fark etmesine bırakmak yerine doğrudan tartışın.
Proje değerlendiricileri bu bölümü belirli bir nedenle yakından inceliyor. İstatistiksel yaklaşım bölümünün tutarlı olmaması, bir teklifin titizlik açısından düşük puan almasının en yaygın ve önlenebilir nedenlerinden biridir ve uyumluluk odaklı bir proje değerlendirme süreci, bu tür eksiklikleri şanssız bir değerlendiriciye bırakmak yerine, başvurudan çok önce tespit eder.
Enerji Analizi Konusunda Uygulamalı Yardım Almak
Bazı güç analizleri rutin işlemlerdir. Diğerleri ise kümeleme, eksik veri veya şablon hesaplamasının inceleme altında geçerliliğini yitireceği kadar karmaşık bir model içerir. Editverse'in istatistikçileri bu aralığın her iki ucunu da ele almaktadır.
Doktora Tezi ve Makale İstatistiksel Analizi
$600
İstatistik alanında doktora yapmış uzmanlar, SPSS, R veya STATA kullanarak güç analizi, örneklem boyutu gerekçelendirmesi ve tam analiz planını gerçekleştirirler.
Hibe Teklifi Düzenleme ve Uyumluluk İncelemesi
$1,190
Göndermeden önce, belirttiğiniz güç analizi sonuçlarının amaçlarınız, analiz planınız ve fon sağlayıcınızın gereksinimleriyle gerçekten örtüştüğünden emin olun.
Güç Analizi Hakkında Sıkça Sorulan Sorular
Orta düzeyde etki büyüklüğü için ne kadar örneklem büyüklüğüne ihtiyacım var?
Tasarıma bağlı olarak değişmekle birlikte, referans noktası olarak, geleneksel %80 güç ve 0.05 alfa düzeyinde iki bağımsız grup arasında orta düzeyde bir etkiyi (Cohen's d = 0.5) tespit etmek için grup başına 64, toplamda 128 katılımcıya ihtiyaç duyulmaktadır. Benzer bir orta düzeyde etki için üç grup arasında tek yönlü bir ANOVA'da ise grup başına yaklaşık 53 katılımcıya ihtiyaç vardır. Daha büyük etkiler için çok daha az katılımcı gerekirken, daha küçük etkiler için çok daha fazla katılımcıya ihtiyaç duyulmaktadır; bu nedenle yanlış etki büyüklüğünü tahmin etmek çok maliyetli bir hatadır.
%80 mi yoksa %90 güç mü kullanmalıyım?
Yayınlanan araştırmaların çoğunda ve fon sağlayan kurumların şablonlarında varsayılan değer hala yüzde seksendir, ancak bu, gerçek bir etkiyi kaçırma olasılığının beşte bir olduğunu kabul eder. Doğrulayıcı çalışmalar ve kayıt çalışmaları giderek artan bir şekilde bunun yerine %90 güç belirtir; bu da gerekli örneklem boyutunu önemli ölçüde artırır, iki gruplu t-testi için eşdeğer %80 hesaplamasına göre yaklaşık %30 ila %40 daha yüksektir.
A priori ve post-hoc güç arasındaki fark nedir?
Veri toplama işleminden önce yapılan önsel güç analizi, bir çalışma tasarımının cevaplaması gereken soruyu yanıtlar: Belirli bir etkiyi tespit etmek için ne kadar büyük bir örneklem gereklidir? Sonradan yapılan veya gözlemlenen güç analizi ise, çalışmanın kendi sonuçlarından ve kendi p-değerinden yola çıkarak hesaplanır ve çoğu metodolog bunu bilgilendirici olmaktan uzak bulur, çünkü matematiksel olarak yeni bir kanıt sunmaktan ziyade, zaten eldeki p-değerinin bir dönüşümüdür.
Daha önce tamamladığım bir çalışma için güç analizi yapabilir miyim?
Bu, yalnızca sınırlı ve geriye dönük bir şekilde mümkündür. Belirli bir etki büyüklüğü için hangi örneklem büyüklüğünün gerekli olacağını hesaplamak mümkündür; bu, takip veya tekrarlama çalışması planlamak için faydalıdır, ancak zaten gözlemlenmiş bir etki ve p-değerinden güç hesaplamak, bir değerlendiriciye tamamlanmış çalışma hakkında ikna edici hiçbir şey söylemez.
Güç analizi nitel araştırmalara uygulanabilir mi?
Hayır. Güç analizi, hipotez testleri, p-değerleri ve örneklem dağılımları etrafında oluşturulmuş, frekansçı bir istatistiksel kavramdır ve bunların hiçbiri nitel yöntemlere uygulanmaz. Nitel araştırmacılar örneklem büyüklüğünü farklı şekilde, genellikle tematik doygunluk yoluyla, yani ek görüşmelerin veya veri kaynaklarının yeni kodlar veya temalar üretmeyi bıraktığı nokta üzerinden gerekçelendirirler.
Pilot verilerim yoksa hangi etki büyüklüğünü kullanmalıyım?
Yakından ilgili bir çalışmadan veya aynı sonuç üzerine yapılan bir meta-analizden elde edilen yayınlanmış bir etki büyüklüğü, genel bir tahminden her zaman daha iyi bir seçimdir. Bunlardan hiçbiri mevcut değilse, Cohen'in geleneksel orta etki büyüklüğü savunulabilir bir alternatiftir, ancak yöntemler bölümünde bunun çalışmanın belirli popülasyonuna dayalı bir tahmin değil, bir gelenek olduğu açıkça belirtilmelidir, çünkü bir hakem muhtemelen bunu soracaktır.
Okulu bırakma veya öğrenci kaybı hesaplamayı nasıl değiştirir?
Güç analizi, kayıtlı katılımcı sayısını değil, analiz edilmesi gereken örneklem büyüklüğünü verir. Katılımcıların %15'inin çalışmadan ayrılacağını veya takipten kaybolacağını varsayarsak, hedef örneklem büyüklüğünü 0.85'e bölerek kayıt hedefini elde etmeliyiz. %15'lik bir kayıp beklentisiyle 128 analiz edilmiş katılımcıya ihtiyaç duyan bir çalışma, yaklaşık 151 katılımcı kaydetmelidir.
G*Power ücretsiz mi?
Evet. G*Power ücretsizdir, Düsseldorf Heinrich Heine Üniversitesi'ndeki araştırmacılar tarafından geliştirilmekte ve sürdürülmektedir ve Windows ve Mac için indirilebilir bir masaüstü uygulaması aracılığıyla t-testleri, ANOVA, korelasyon, regresyon, ki-kare ve daha az yaygın olan çeşitli tasarımları kapsamaktadır.
Tasarımım standart bir formüle uymuyorsa ne olacak?
Simülasyon tabanlı güç analizi, karma etkili modeller, kümelenmiş veya çok düzeyli tasarımlar ve Bayes analizleri de dahil olmak üzere, kapalı form formüllerinin düzgün bir şekilde ele alamadığı her şey için standart bir çözümdür. G*Power'dan daha uzun sürede kurulur ancak R veya benzer bir ortamda kodlanıp analiz edilebilen hemen hemen her tasarım için işe yarar.
Önemli Noktalar
- ✓ Etki büyüklüğü, alfa, güç ve örneklem büyüklüğünden üçünü sabitleyin, güç analizi dördüncüsünü çözecektir.
- ✓ 0.05 alfa ve %80 güç, sabit kurallar değil, geleneksel başlangıç noktalarıdır.
- ✓ 1978'deki bir denetimden 2021'deki bir yeniden analize kadar, onlarca yıldır yayınlanan çalışmalar aynı yetersiz örneklem gücü sorununu ortaya koymaya devam ediyor.
- ✓ G*Power ve R'nin pwr paketi standart tasarımları ücretsiz olarak kapsar; simülasyon ise geri kalanını kapsar.
- ✓ İşlem adımları gösterilmiş bir hesaplamada sadece nihai rakam değil, aritmetik işlem de yer almalıdır.
- ✓ Kayıt planını kesinleştirmeden önce, beklenen öğrenci kaybını hesaba katarak kayıt hedefinin yüksekliğini artırın.
- ✓ Her seferinde etki büyüklüğünü, kaynağını, alfa değerini, gücünü ve kullanılan yazılımı raporlayın.
Göndermeden önce güç analizinizin kontrol edilmesine mi ihtiyacınız var?
Editverse'in istatistikçileri, her alandaki araştırmacılar için örneklem büyüklüğü gerekçelerini, hibe başvuru bölümlerini ve kapsamlı analiz planlarını inceliyor.
Editverse ile İlgili Kaynaklar
→ İstatistiğin Önemini Anlamanın Temellerini Kavrayın
→ İstatistiksel Testler Kılavuzu: Doğru Seçimi Yapmak
→ Rastgele Kontrollü Çalışmalar (RCT'ler): Tasarım ve Analiz
→ Ana Küme Rastgele Denemeler ve Çok Seviyeli Modelleme
→ Tıbbi Tanılamada Lojistik Regresyon
→ Klinik Çalışmalarda Çok Değişkenli Regresyon
→ Ki-Kare Testleri Basitleştirildi
→ Araştırma Makalelerinde Sık Yapılan İstatistiksel Hatalardan Kaçınma
→ Editverse Ücretsiz Örneklem Büyüklüğü Hesaplayıcısı Nasıl Kullanılır?
Referanslar
- Freiman JA, Chalmers TC, Smith H Jr, Kuebler RR. Rastgele kontrollü denemelerin tasarımında ve yorumlanmasında beta katsayısının, tip II hata oranının ve örneklem büyüklüğünün önemi. 71 "olumsuz" denemenin incelenmesi. N Engl J Med. 1978;299(13):690-694. https://pubmed.ncbi.nlm.nih.gov/355881/
- Moher D, Dulberg CS, Wells GA. Rastgele kontrollü çalışmalarda istatistiksel güç, örneklem boyutu ve bunların raporlanması. JAMA. 1994;272(2):122-124. https://pubmed.ncbi.nlm.nih.gov/8015121/
- Button KS, Ioannidis JPA, Mokrysz C ve diğerleri. Güç kaybı: Küçük örneklem boyutu neden sinirbilimin güvenilirliğini zayıflatıyor? Nat Rev Neurosci. 2013;14(5):365-376. https://pubmed.ncbi.nlm.nih.gov/23571845/
- Faul F, Erdfelder E, Lang AG, Buchner A. G*Power 3: Sosyal, davranışsal ve biyomedikal bilimler için esnek bir istatistiksel güç analizi programı. Davranış Res Yöntemleri. 2007;39(2):175-191. https://pubmed.ncbi.nlm.nih.gov/17695343/
- Reito A, Raittio L, Helminen O. 2 Yıl Sonra Ortopedide Rastgele Kontrollü Çalışmaların Örneklem Büyüklüğü ve İstatistiksel Gücünün Yeniden Değerlendirilmesi. JBJS Rev. 2021, 9 (3). https://pubmed.ncbi.nlm.nih.gov/32224628/
- Heinrich Heine Üniversitesi Düsseldorf. G*Power: İstatistiksel güç analizi yazılımı. https://www.psychologie.hhu.de/arbeitsgruppen/allgemeine-psychologie-und-arbeitspsychologie/gpower
- Champely S, ve diğerleri. pwr: Güç Analizi için Temel Fonksiyonlar. Kapsamlı R Arşiv Ağı. https://cran.r-project.org/package=pwr
- Boston Üniversitesi Halk Sağlığı Okulu. Güç ve Örneklem Büyüklüğü Belirleme. https://sphweb.bumc.bu.edu/otlt/mph-modules/bs/bs704_power/bs704_power_print.html