longpowerপ্যাকেজ কার্যকরী লিউ এবং লিয়াং (1997) এবং Diggle নমুনা আকার গণনার এট (2002)। ডকুমেন্টেশনের উদাহরণ কোড রয়েছে। এখানে একটি, lmmpower()ফাংশন ব্যবহার করে :
> 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
liu.liang.linear.power()যা পরীক্ষা করে দেখুন " লিনিয়ার মিশ্রিত মডেলের জন্য নমুনা আকারের গণনা সম্পাদন করে"
লিউ, জি।, এবং লিয়াং, কেওয়াই (1997)। সম্পর্কযুক্ত পর্যবেক্ষণগুলি সহ অধ্যয়নের জন্য নমুনা আকারের গণনা। বায়োমেট্রিকস, 53 (3), 937-47।
ডিগল পিজে, হেগারটি পিজে, লিয়াং কে, জেগার এসএল। অনুদায়ী তথ্য বিশ্লেষণ। দ্বিতীয় সংস্করণ. অক্সফোর্ড। পরিসংখ্যান বিজ্ঞান সিরিয়াস। 2002
সম্পাদনা করুন: আরেকটি উপায় হ'ল ক্লাস্টারিংয়ের প্রভাবের জন্য "সংশোধন" করা। একটি সাধারণ রৈখিক মডেলটিতে প্রতিটি পর্যবেক্ষণ স্বতন্ত্র থাকে তবে গুচ্ছ পর্যবেক্ষণের উপস্থিতিতে স্বাধীন হয় না যা কম স্বতন্ত্র পর্যবেক্ষণ বলে মনে করা যেতে পারে - কার্যকর নমুনার আকারটি আরও কম। কার্যকারিতা হ্রাস এই নকশা প্রভাব হিসাবে পরিচিত :
DE=1+(m−1)ρ
mρDE