药动学中的潜变量设计.pptVIP

对每个模型，如果拒绝原假设，则表示为一次成功，示性变量取值1. 功效就是成功的总次数除以模拟的次数。 B1结论 单张图：连续模型的功效比序列和名义模型的高，不管是在均衡或者不均衡的频率假设 横向：协变量取非均衡分布，比均衡分布有稍微高的的功效。 纵向：达80%功效所需样本量随协变量影响增大而减少。 B2-1的结论 在正态分布中产生中得到的功效，从图中可以再次看到，连续模型有最高的功效，只要求20个甚至更少的病人就达到了0.8的功效。但是，序列和名义模型中没有明显的不同，在假设基因型为平衡或者非平衡情况下。弱，中，和强的协变量效应都显示相同的趋势。潜变量平衡的和非均衡的分布情况的对比显示，对于所有数据类型的模型，平衡分布的功效要高，这与B1中的结果相反。非均衡分布比均衡分布需要更多的样本量。 情景B2-2结论 图7显示了 为分层模型中的功效，结果是，与那些 假设从正态分布中抽样得到的结果一样。再一次，连续数据的分层模型比序列和名义模型显示出最高的功效。序列和名义的差不多相同的功效，在假设基因型平衡和非均衡的情况下都是。 的功效在弱的，中的，强的协变量情况下功效都有相同的趋势。 不均衡的分布比均衡分布需要稍微更多的样本。 分层模型中的结果与非分层（正太分布）的结果相似。 讨论 本文中，我们探究了临床上潜变量的设计，包括未知协变量数据类型如连续，序列，名义上的。当协变量的信息量在线性回归下研究时，我们观察到了期望中的结果，即，连续的数据类型差不多比序列和名义数据类型的模型高出2到3倍的信息量。名义数据类型差不多比序列数据类型少1.3倍的信息量。协变量更少信息的模型会使协变量参数得到更低的功效。 连续数据的分类会进一步破坏有效性。协变量信息的丢失意味着研究需要更大的样本量。先前有文献证明，连续测量二分法后至少需要增加40%的样本量。在我们的情况中，发现需要70%。对分类数据来说，就需要更多了，当考虑二次协变量对主要观察协变量的影响时，差不多是连续数据情形的2到20倍。（另一篇文章做的二分法） 在场景1中， 对参数有直接的影响。协变量效果的增强，增加了所有模型的功效，不管 的分布是均衡的还是非均衡的。因此，弱的协变量要达到相同的功效，比强的协变量需要更多的样本量。 弱的协变量要达到相同的功效，比强的协变量需要更多的样本量。 连续数据类型模型的功效是分类数据类型模型的3-10倍。包括均衡的和非均衡的分布情形。 分类模型中（有序，名义） 的非均衡分布没有比均衡的情形更好。 Xo的分布对XL的功效无影响 。 当设计包含较小的个体时，如少于50个受试者，他们通常代表了连续的情形，有协变量效果，其中一型错误被期望有更小的影响。但是，分类数据中少于50个人的设计更倾向于发生一型错误。我们在这里强调要谨慎。所以我们推荐至少要有50个受试者，不管是哪种类型的数据。这样做忽略一类错误才显合理。本文没有考虑一类错误 。 我们还做了数据类型和协变量未知的功效研究。研究发现，连续模型比分类模型的参数估计至少高1.5到7倍的精确度。  药动学中的潜变量设计 关键字：潜变量，设计研究，线性回归，非线性混合效应建模，模拟和功效分析 潜变量往往表示某一复杂的无法之间测量的概念或建构。比如，信任、虔诚、社会融合。这些概念可以被操作化成不同的维度以不同的指标(indicator)加以测量。由此，可以看到，一个潜变量往往被建构成多个显变量(或指标)。 在经济学或统计学中，潜变量所指的含义稍有所不同。举个例子，比如，2009年一共有200个人报考北大社会学系的研究生，最后我们发现只有20个被录取了。注意，这里我们看到的结果是“录取或未被录取” 这个可以用logistic模型进行分析。 但实际上，再录取和未被录取的背后，实际上隐含着考生的“能力”差异（注意，能力是无法直接观测的！！），只有能力达到一定程度的考生才会被录取，（我们现在衡量能力的办法是考试成绩，比如360及以上就被录取）。所以，我们看到，在每一个二分变量（0-1变量）背后，实际上都隐含着一个不可观测的连续型变量（该变量被计量经济学家或统计学家称作潜变量），当该连续型潜变量的取值超过一定的量时，就表现为事件发生了（本例为，被录取了）。这一逻辑，换用大家可能都熟悉一种描述就是量变引起质变，发生在潜变量上的量变达到一定程度之后（这是个门槛！）就出现了有0-1变量反映出来的（是vs否、发生vs未发生）质变。质变是我们观察到的或可以测量的，但量变是隐含着的。 简单说，潜变量是你想要测量的变量，至于潜变量的名称，那是由你研究兴趣制定（或通过理论研究）。这方面的书已经有不少，比如关于SEM或探索性因素分析，就是验证潜变量的方法。 引言 潜变量是临床试验中能观察到却不可获得或者观察不到的协变量。解释潜