我正在进行功效分析以得出研究所需的样本量 - 基本上将暴露/未暴露与 30 天死亡率作为结果进行比较。我将使用卡方检查粗死亡率，但也会使用带有可能混杂因素的逻辑回归。
当我进行功效分析时——功效 0.8、显着性水平 0.05、效应大小 0.15 并估计有 10 个混杂因素，我得到我只需要 n=117，这看起来很小。与卡方比较 - 它表明我需要 350。
我正在使用 R 和pwr：
pwr.f2.test(u=10, v=NULL, f2=0.15, sig.level=0.05, power=0.8)
pwr.chisq.test(w=0.15, N=NULL, df=1 , sig.level=0.05, power=0.8 )
这是可以预测的还是我滥用了这个？
这两个检验（逻辑回归和卡方）是等价的，功效分析应该给出相同的答案。
您假设 f2 和 w 的值 0.15 是相同的效果大小，但事实并非如此。w 的小值是 0.1，f2 的小值是 0.02。
cohen.ES(test=c("chisq"), size=c("small"))
cohen.ES(test=c("f2"), size=c("small"))
编辑：详细说明了两种方法的相似性。
如果您将相同的数据提供给逻辑回归和卡方检验（严格地说：没有耶茨校正），您会得到相同的结果。这是一个例子
> set.seed(1234)
> x <- rbinom(100, 1, 0.2)
> y <- rbinom(100, 1, 0.2)
> chisq.test(table(x, y), correct=FALSE)
Pearson's Chi-squared test #'
data: table(x, y)
X-squared = 0.155, df = 1, p-value = **0.694**
Warning message:
In chisq.test(table(x, y), correct = FALSE) :
Chi-squared approximation may be incorrect
> summary(glm(y ~ x, family="binomial"))
Call:
glm(formula = y ~ x, family = "binomial")
Deviance Residuals:
Min 1Q Median 3Q Max
-0.753 -0.753 -0.753 -0.668 1.794
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -1.114 0.251 -4.43 9.4e-06 ***
x -0.272 0.693 -0.39 **0.69**
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 110.22 on 99 degrees of freedom
Residual deviance: 110.06 on 98 degrees of freedom
AIC: 114.1
Number of Fisher Scoring iterations: 4
p 值相同，因此功效应该相同。我不记得两种不同版本的效果大小的公式。效果大小测量有点奇怪，因为在过去，您希望尽量减少放入书籍的表格数量（例如，我们有，代替，当它们之间存在直接关系时，以及是每个人都明白的）。
这是可以预见的。逻辑模型对关系的性质（以及依赖的形式）做出了更强有力的假设。这以更高的功率得到了回报。