SuperAPI AI 工具集

statistical-power

通用与其它

查看项目

更新于 10-16 09:57

技能介绍

用途:为研究规划做统计检验力分析,回答需要多少独立实验单元才能检测到重要效应,或在既定样本量下能检测到多小的效应(最小可检测效应 MDE)。适合事前(a priori)样本量确定、IRB/基金/预注册的样本量论证、绘制检验力曲线,以及不等比分配、聚类、生存、中介、交互等通过模拟规划的设计。

主要能力:核心关系锁定样本量 n、效应量、显著性水平 α、检验力 1−β 四者,固定三者可解第四者。tests 支持 t_ind、t_paired/t_one、anova、two_proportions、one_proportion、correlation、chi2、linear_regression。scripts/power.py 提供统一接口 sample_size、power、mde、power_curve;scripts/simulate_power.py 提供 simulate_power()、find_sample_size() 及两组、logistic 回归、整群随机、线性混合模型示例。simulate_power 返回检验力、95% 蒙特卡洛置信区间、失败与警告计数。

用法:安装可选独立环境,命令保持原样: uv venv --python 3.13 .venv-power uv pip install --python .venv-power/bin/python "statsmodels==0.15.0" "scipy==1.18.1" "numpy==2.5.3" "pandas==2.3.3" "matplotlib==3.11.2" 可选:uv pip install --python .venv-power/bin/python "pingouin==0.7.0" "lifelines==0.30.3"(Windows 用 .venv-power/Scripts/python.exe)。调用示例:from power import sample_size, power, mde, power_curve;sample_size(test="t_ind", effect_size=0.5, power=0.80, alpha=0.05);mde(test="t_ind", nobs1=30, power=0.80, alpha=0.05)。模拟时回调需内部使用计划 α 返回布尔拒绝决策,先用零假设检查 Type I 错误,再以更多重复和全新种子验证邻近样本量。

适用场景:常见默认 α=0.05(双侧)、power=0.80;确证性/临床工作常用 0.90。效应量优先选最小重要效应(SESOI),其次为收缩后的预试验估计,最后才用 Cohen 惯例并明确说明;需做敏感性分析并报告效应量范围内的 n 区间与检验力曲线。注意多重比较(如 Bonferroni α/m)、脱落(n_enroll = ceil(n_analyzed / (1 − dropout_rate)))、聚类设计效应 DEFF = 1 + (m − 1)·ICC 等调整。

限制:解析法依赖标准检验假设,复杂模型不一定匹配;模拟需可信的数据生成过程与校准分析。捆绑方法仅覆盖优效性检验,精度、等效、非劣效、序贯监测需各自计算。避免事后/观察到的检验力(循环且无信息),应报告敏感性分析或效应量置信区间。资料未提供具体收费或价格信息。