Determinación del número mínimo de animales al comparar las medias de tratamiento mediante análisis de potencia

##plugins.themes.bootstrap3.article.main##

Yasin Altay
Ozgur Koskan
Hayati Koknaroglu
Resumen

Objetivo. El propósito de este estudio fue determinar el número mínimo de animales (tamaño mínimo de la muestra) en comparaciones de tratamientos con diferentes tamaños de efecto (0.25-2.0), el número de tratamientos (2-7) y la potencia de la prueba (80- 95%). Además, se desarrollaron ecuaciones de regresión lineal, cuadrática y cúbica que estiman el tamaño mínimo de muestra que debe usarse en las comparaciones de tratamientos. Materiales y métodos. Dentro del alcance de esta investigación, se utilizó la ganancia media diaria (GMD) de los experimentos con ganado de engorde a corral realizados en la Universidad Estatal de Iowa con un total de 1283 novillos. La potencia de la prueba se calculó después de que se tomaron muestras aleatorias de los datos de GMD y se establecieron las diferencias entre los tratamientos en términos de desviación estándar. Este proceso se repitió 1000 veces mediante una macro escrita en el programa del paquete de Minitab en la cantidad de tratamientos y niveles de potencia a comparar. Resultados. Se encontró que las ecuaciones de regresión cúbica dieron resultados más fiables que las demás. Como resultado, después de determinar el número de tratamientos, la potencia de la prueba y el tamaño del efecto, se puede determinar fácilmente un número suficiente de unidades experimentales utilizando las ecuaciones de estimación creadas sin análisis de potencia. Conclusiones. De esta manera, se pueden prevenir los gastos excesivos de dinero y las pérdidas financieras en estudios científicos y se puede brindar la oportunidad de encontrar financiamiento más fácilmente.

Palabras clave

Descargas

Los datos de descargas todavía no están disponibles.

##plugins.themes.bootstrap3.article.details##

Biografía del autor/a / Ver

Ozgur Koskan, Universidad de Ciencias Aplicadas de Isparta, Turquía

Universidad de Ciencias Aplicadas de Isparta, Facultad de Agricultura, Departamento de Ciencia Animal, Isparta, Turquía

Hayati Koknaroglu, Universidad de Ciencias Aplicadas de Isparta, Turquía

Universidad de Ciencias Aplicadas de Isparta, Facultad de Agricultura, Departamento de Ciencia Animal, Isparta, Turquía

Referencias / Ver

Akobeng AK. Understanding type I and type II errors, statistical power and sample size. Acta Paediatrica. 2016; 105(6):605-609. https://doi.org/10.1111/apa.13384

Greenland S, Senn SJ, Rothman KJ, Carlin JB, Poole, C, Goodman SN, Altman DG. Statistical tests, P values, confidence intervals, and power: a guide to misinterpretations. Eur J Epidemiol. 2016; 31(4):337-350. https://doi.org/10.1007/s10654-016-0149-3

Cohen J. Statistical power analysis: Current Directions in Psychological Science 1992; 1(3):98-101. https://doi.org/10.1111/1467-8721.ep10768783

Wilcox RR. ANOVA: A paradigm for low power and misleading measures of effect size?. Rev Educ Res. 1995; 65(1):51-77. https://doi.org/10.3102/00346543065001051

Kelley K, Rausch, JR. Sample size planning for the standardized mean difference: Accuracy in parameter estimation via narrow confidence intervals. Psychol Methods. 2006; 11(4):363–385. https://doi.org/10.1037/1082-989X.11.4.363

Houle TT, Penzien DB, Houle CK. Statistical power and sample size estimation for headache research: An overview and power calculation tools. Headache. 2005; 45(5):414-418. https://doi.org/10.1111/j.1526-4610.2005.05092.x

Mascha EJ, Vetter TR. Significance, errors, power, and sample size: the blocking and tackling of statistics. Anesth Analg. 2018; 126(2):691-698. https://doi.org/10.1213/ANE.0000000000002741

Aslan E, Koşkan Ö, Altay Y. Determination of the Sample Size on Different Independent K Group Comparisons by Power Analysis. Turk Tarim Arast Derg. 2021; 8(1):34-41. https://doi.org/10.19159/tutad.792694

Szucs D, Ioannidis JP. Sample size evolution in neuroimaging research: An evaluation of highly-cited studies (1990–2012) and of latest practices (2017–2018) in high-impact journals. NeuroImage. 2020; 221:117-164. https://doi.org/10.1016/j.neuroimage.2020.117164

Murphy KR. Myors B. Statistical power analysis: A simple and general model for traditional and modern hypothesis tests. Second Edition (2rd ed.). Mahwah, New Jersey, USA: Lawrence Erlbaum Associates Publishers; 2004.

Lane SP, Hennes EP. Power struggles: Estimating sample size for multilevel relationships research. J Soc Pers Relat. 2018; 35(1):7-31. https://doi.org/10.1177/0265407517710342

Peterman RM. Statistical power analysis can improve fisheries research and management. Can J Fish Aquat Sci. 1990; 47(1):2–15. https://doi.org/10.1139/f90-001

Fairweather PG. Statistical power and design requirements for environmental monitoring. Mar Freshw Res. 1991; 42(5):555–567. https://doi.org/10.1071/MF9910555

Muller KE, Benignus VA. Increasing scientific power with statistical power. Neurotoxicol Teratol. 1992; 14(3):211–219. https://doi.org/10.1016/0892-0362(92)90019-7

Taylor BL, Gerrodette T. The uses of statistical power in conservation biology: the vaquita and northern spotted owl. Conserv Biol Ser. 1993; 7(3):489–500. https://doi.org/10.1046/j.1523-1739.1993.07030489.x

Searcy-Bernal R. Statistical power and aquacultural research. Aquaculture. 1994; 127(4):371–388. https://doi.org/10.1016/0044-8486(94)90239-9

Thomas L, Juanes F. The importance of statistical power analysis: an example from animal behaviour. Anim. Behav. 1996; 52(4):856–859. https://doi.org/10.1006/anbe.1996.0232

Thomas L, Retrospective power analysis. Conservation Biology. Conservation Biology. 1997; 11(1):276-280. https://www.jstor.org/stable/2387304

Pinu FR, Beale DJ, Paten AM, Kouremenos K, Swarup S, Schirra HJ, Wishart D. Systems biology and multi-omics integration: viewpoints from the metabolomics research community. Metabolites. 2019; 9(4):76. https://doi.org/10.3390/metabo9040076

Hoenig JM, Heisey DM. The abuse of power: the pervasive fallacy of power calculations for data analysis. Am Stat. 2001; 55(1):19-24. https://doi.org/10.1198/000313001300339897

Faul F, Erdfelder E, Lang AG, Buchner AG. Power 3: A flexible statistical power analysis program for the social, behavioral, and biomedical sciences. Behav Res Methods. 2007; 39(2):175-191. https://doi.org/10.3758/BF03193146

La Rosa PS, Brooks JP, Deych E, Boone EL, Edwards DJ, Wang Q, Sodergren E, Weinstock G, Shannon WD. Hypothesis testing and power calculations for taxonomic-based human microbiome data. PloS One. 2012; 7(12):e52078. https://doi.org/10.1371/journal.pone.0052078

Fanelli D. Do pressures to publish increase scientists’ bias? An empirical support from US States Data. PloS One. 2010; 5(4):e10271. https://doi.org/10.1371/journal.pone.0010271

Abt G, Boreham C, Davison G, Jackson R, Nevill A, Wallacea E, Williamsa M. Power, precision, and sample size estimation in sport and exercise science research. J Sports Sci. 2020; 38(17):1993-1935. https://10.1080/02640414.2020.1776002

Lewis KP. Statistical power, sample sizes, and the software to calculate them easily. BioScience. 2006; 56(7):607-612. https://doi.org/10.1641/0006-3568(2006)56[607:SPSSAT]2.0.CO;2

Zar JH. Biostatistical Analysis: Pearson New International Edition. New Jersey, NJ, USA: Pearson Higher Edition; 2013.

Hartley HO. The maximum F-ratio as a short-cut test for heterogeneity of variance. Biometrika. 1950; 37(3/4):308-312. https://doi.org/10.2307/2332383

Pearson ES, Hartley HO. Charts of the power function for analysis of variance tests, derived from the non-central F-distribution. Biometrika. 1951; 38(1/2):112-130. https://doi.org/10.2307/2332321

Başpınar E. Gürbüz F, The power of the test in comparing samples of different sample sizes taken from binary combinations of Normal, Beta, Gamma (Chi-square) and Weibull distributions. J Agric Sci. 2000; 6(1):116-127. https://doi.org/10.1501/Tarimbil_0000000940

Lenth RV. Statistical power calculations. J Anim Sci. 2007; 85(13):24-29. https://doi.org/10.2527/jas.2006-449

Başpınar E, Type I error and power of the test obtained by applying Student’s t, Welch and sorted t-tests on two samples of different sample sizes taken from normal populations with different variance ratios. J Anim Sci. 2001; 7(1):151-157. https://doi.org/10.1501/Tarimbil_0000000271

Koşkan Ö, Gürbüz F. Resampling approach and power of t-test and comparison of type I error. J Anim Prod. 2008; 49(1):29-37. https://dergipark.org.tr/en/pub/hayuretim/issue/7617/99817

Kalaycioğlu O, Akhanli SE. The importance and main principles of power analysis in health research: Application examples on medical case studies. Turk J Public Health. 2020;. 18(1):103-112. https://doi.org/10.20518/tjph.602400

Mewhort, DJ, A comparison of the randomization test with the F test when error is skewed. Behav Res Methods. 2005; 37(3):426-435. https://doi.org/10.3758/BF03192711

Citado por