我有两个问题：
我想知道如果我希望测试足够强大，是否可以知道多元线性回归的样本大小（n）？对我来说，在现实中使用多重线性模型的功率计算似乎非常困难，因为需要为不同的参数输入有效值。可以用 R 做到这一点吗？如果是，我怎么能用 R 做到这一点？R代码？
使用 R，有这个用于多元线性回归的代码：
pwr.f2.test(u = NULL, v = NULL, f2 = NULL, sig.level = 0.05, power = NULL)
其中：
u：分子的自由度
v：分母的自由度
f2：效应大小
sig.level：显着性水平（I 类错误概率）
power：检验功效（1 减去 II 类错误概率）
多元回归的功效分析非常复杂，因为有许多移动部件，并且可能有几个不同的感兴趣的测试。函数pwr.f2.test基于 Cohen 的书Statistical Power Analysis for the Behavioral Sciences，您可以在那里找到详细的解释和许多示例。
最重要的见解是样本大小已经被系数v（分母的自由度）捕获。具体如何取决于模型的细节。因此，分析已经将其考虑在内。
或者，进行功率分析的另一种方法是使用仿真。这种设置特别有吸引力，因为您可以玩设计的各个方面。有关这方面的更多信息，请参阅计算统计功效（另请参阅G. Jay Kern 的帖子）。
一旦掌握了窍门，将模拟方法扩展到许多其他测试也很容易。对于逻辑回归，我不确定pwr包中是否有任何特定功能，但 G*Power 中有一个。我不记得曾经使用过它，所以我无法对这部分问题发表进一步评论。
我见过的逻辑回归的最佳功效处理方法是在 Breslow 和 Day 的“癌症研究中的统计方法”的第 2 卷中。出发点是要认识到最简单的情况是二项式检验，方差取决于 N 和通过 var(t) = N*p*(1-p) 的情况比例。相当令人高兴的是，出版商现在可以在线获取这两卷的全部内容，并且“设计注意事项”一章位于我嵌入的链接中。见第 5.6 节