Anova
如何確定重複測量方差分析所需的樣本量？
我需要一些關於重複測量方差分析的幫助。
我們正在調查一些干預措施對降低部分病房血流感染 (BSI) 率的效果。我們計劃每月獲取 BSI 費率信息，首先是 12 個月無干預，然後是 12 個月有乾預。
我們正在考慮進行時間序列或重複測量方差分析，我更喜歡後一個，然後我對第一個沒有太多想法（額外的問題：時間點太少，對嗎？），但是來了另一個問題，我們需要多少個病房才能證明干預對 BSI 率確實有統計學意義的影響？
我想我會做兩個方差分析，一個用於“干預前”，一個用於“干預期間”，我認為“干預前”的方差分析不應該有顯著的 F 比檢驗。
我從二維角度考慮術語“樣本量”，即病房的數量或重複測量的數量。
如何對重複測量方差分析進行功效分析？
G*Power 3是一款免費軟件，為執行功率計算提供了一個用戶友好的 GUI 界面。它支持重複測量方差分析的功率計算。
什麼是適合您的設計的分析？
以下是與您提到的內容相關的一系列要點：
- 更多的時間點將更清楚地表明您的干預效果（如果有的話）如何隨著時間的推移而發揮作用。因此，如果改進隨著時間的推移而衰減或變得更大，那麼更多的時間點將更清楚地了解這些模式，無論是平均水平還是個人水平。
- 如果您有 12 個或更多時間點，我會考慮多級建模，特別是如果您期望任何缺失的觀察結果。您不太可能對是否存在時間影響感興趣。相反，您可能對各種特定效果感興趣（例如，干預前後的變化；也許是乾預後的線性或二次改善效果）。您還可以查看在重複測量方差分析之上使用計劃對比。Applied Longitudinal Data Analysis: Modeling Change and Event Occurrence是了解重複測量數據的多級建模的良好起點。
- 超過前後時間點的數量不會大大增加您檢測干預效果的能力。更多的時間點會增加你測量的可靠性，它可能會確保你捕捉到影響適用的時間段，但更大的問題可能是這兩種情況下的樣本量。
- 假設您確實將案例隨機分配給條件，根據定義，總體在因變量上是相等的，並且有人可能會爭辯說基線差異的顯著性檢驗是沒有意義的。也就是說，研究人員仍然經常這樣做，我想它確實提供了一些證據表明隨機分配確實發生了。
- 關於在干預前控制設計中測試干預效果的最佳方法存在相當多的爭論。一些選項包括：（a）條件*時間交互；(b) 條件的影響，但只是在干預後；(c) ANCOVA 觀察條件的影響，控制前，後作為 DV。