Potencia y tamaño de la muestra para modelos mixtos lineales reversibles con agrupación y longitudinalidad: GLIMMPSE...

Área de la Ciencia:

• Estadísticas biológicas
• Desarrollo de software estadístico
• Diseño del ensayo clínico

Sus antecedentes:

• Los modelos mixtos lineales generales (GLMM) son cruciales para el análisis de estructuras de datos complejas en la investigación.
• Los cálculos precisos de potencia y tamaño de la muestra son esenciales para el diseño eficiente del estudio y la asignación de recursos.
• El software existente puede tener limitaciones en el manejo de estructuras de datos multinivel, longitudinales o combinadas.

Objetivo del estudio:

• Para presentar la versión 3 de GLIMMPSE, una herramienta actualizada, gratuita, basada en la web y de código abierto.
• Mejorar el cálculo de la potencia y el tamaño de la muestra para modelos mixtos lineales generales con errores gaussianos.
• Proporcionar una interfaz fácil de usar y funciones avanzadas para diseños de estudios complejos.

Principales métodos:

• Refactorizado back-end en Python para mejorar el rendimiento.
• Interfaz de usuario simplificada con pantallas de un solo tema para facilitar el uso.
• Implementado un algoritmo recursivo para el cálculo de covariancias hasta diez niveles de agrupación.
• Se utilizaron simulaciones actualizadas de Monte Carlo para la validación de la precisión.

Principales resultados:

• La versión 3 de GLIMMPSE ofrece cálculos de potencia para estudios con agrupación, medidas repetidas o ambas.
• El software admite una amplia gama de hipótesis comprobables dentro de varios diseños de estudio.
• Las simulaciones actualizadas demuestran una precisión de aproximación de potencia dentro de 0,01.
• Cinco nuevos ejemplos muestran aplicaciones en ensayos aleatorizados por clúster, estudios longitudinales, multinivel y complejos.

Conclusiones:

• La versión 3 de GLIMMPSE proporciona una herramienta robusta y accesible para el cálculo de la potencia y el tamaño de la muestra en investigaciones complejas.
• Las nuevas características del software y su mayor precisión permiten el diseño de estudios eficientes y estadísticamente sólidos.
• Su uso generalizado y el financiamiento del NIH subrayan su importancia en la investigación biomédica y experimental.