R语言告诉你该做几个实验重复_计算p值 3个重复-优快云博客

本文链接：https://blog.youkuaiyun.com/weixin_43566022/article/details/104485721

1、一个例子

当你做完一个实验，得到以下数据：

处理：2.11 2.35 2.16

对照：2.32 2.34 2.43

t检验p值为0.1529，接下来你该怎么做，是继续埋头实验，重复着一次又一次的p>0.05，还是停下来对你目前所做的实验进行一个评估，加以改善，以确保有更大的把握得到显著性结果？鉴于此，本文试图解决以下两个问题：

1、以目前的实验操作能力，以目前的实验方法或仪器精度，继续以3个重复做这个实验，你有多大的概率拿到显著性结果。

2、如果你想要有90%的把握得到p<0.05甚至p<0.01的结果，该设计几个重复数比较合理。

2、R语言实现

以上两个问题可以使用R语言的pwr包帮你做一个功效分析，如果你还没有安装pwr包，请先安装。

本例中我们用的是t检验，因此使用pwr包中的pwr.t.test()函数，使用说明如下：

pwr.t.test(n=NULL, d=NULL,sig.level=0.05 ,power=NULL ,type=c("two.sample","one.sample","paired"),alternative=c("two.sided","less","greater"))

其中，n为重复数；d为效应值，即实验组与控制组之间“标准化后的平均差异程度；power为功效水平；type默认为双样本t检验；alternative默认为双侧检验。

第一个问题：

# 加载pwr包
library(pwr)

# 输入数据
trt <- c(2.11, 2.35, 2.16)
ck <- c(2.32, 2.34, 2.43)

# 计算离差平方和
ss1 <- var(trt) * (3 - 1)   # 方差*自由度
ss2 <- var(ck) * (3 - 1) 

# 计算效应值
d <- (mean(trt) - mean(ck)) / sqrt((ss1 + ss2) / (3 + 3 - 2))
    
# n=3时，p<0.05的概率估计
pwr.t.test(n = 3, d = d)

Two-sample t test power calculation

n = 3
d = 1.587983
sig.level = 0.05
power = 0.3212346
alternative = two.sided

NOTE: n is number in *each* group

结果表明若继续以3个重复进行实验，只能有0.32的概率得到p<0.05的数据。

第二个问题：

# 90%的把握获得p<0.05的重复数
pwr.t.test(d=d,power=0.9)

Two-sample t test power calculation

n = 9.406774
d = 1.587983
sig.level = 0.05
power = 0.9
alternative = two.sided

NOTE: n is number in *each* group

结果表明要有90%的把握得到p<0.05的数据，需要做9~10个重复。

3、拓展

1）效应值

实验结果容不容易取得显著性结果，很大程度取决于效应值高不高，你可以试试将效应值调大，看看power值的变化（本例算出的效应值为1.59）。而从效应值的公式看，分子部分表示均值之差，分母部分与样本方差有关，如果实验处理的效果是很明显的，表现为均值之差很大，这时即使你操作差一点或者选择的方法精度较低（表现为方差较大），结果还是很容易显著的。相反，如果你的处理本身效果不明显，你想把这么微小的差异表现出来，那么你就需要更熟练的操作，选择更精密的仪器或方法，尽量的减小误差，使得效应值变大，才能用更少的重复数做出来。