该longpower软件包实现了 Liu 和 Liang (1997) 以及 Diggle 等人 (2002) 中的样本量计算。该文档有示例代码。这是一个，使用lmmpower()函数：

> require(longpower)
> require(lme4)
> fm1 <- lmer(Reaction ~ Days + (Days|Subject), sleepstudy) 
> lmmpower(fm1, pct.change = 0.30, t = seq(0,9,1), power = 0.80)

     Power for longitudinal linear model with random slope (Edland, 2009) 

              n = 68.46972
          delta = 3.140186
         sig2.s = 35.07153
         sig2.e = 654.941
      sig.level = 0.05
              t = 0, 1, 2, 3, 4, 5, 6, 7, 8, 9
          power = 0.8
    alternative = two.sided
       delta.CI = 2.231288, 4.049084
           Days = 10.46729
        Days CI = 7.437625, 13.496947
           n.CI = 41.18089, 135.61202

还要检查liu.liang.linear.power()哪个“为线性混合模型执行样本量计算”

Liu, G., & Liang, KY (1997)。具有相关观察的研究的样本量计算。生物识别，53（3），937-47。

Diggle PJ、Heagerty PJ、Liang K、Zeger SL。纵向数据分析。第二版。牛津。统计科学系列。2002年

编辑：另一种方法是“纠正”聚类的效果。在普通的线性模型中，每个观测值都是独立的，但在存在聚类观测值的情况下不是独立的，这可以被认为具有较少的独立观测值 -有效样本量较小。这种有效性的损失被称为设计效果：

除了简单的 2 个样本测试之外，我更喜欢使用模拟来进行样本量或功效研究。使用预先打包的例程，您有时可以看到基于程序所做假设的程序结果之间的巨大差异（您可能无法找出这些假设是什么，更不用说它们是否对您的研究合理）。通过模拟，您可以控制所有假设。

这是一个示例的链接：
https ://stat.ethz.ch/pipermail/r-sig-mixed-models/2009q1/001790.html

该simr软件包使用仿真在线性和广义线性混合模型中相当灵活地估计功率。