Power and sample size for health researchers: uma ferramenta para cálculo de tamanho amostral e poder do teste voltado a pesquisadores da área da saúde / Power and sample size for health researchers: a tool for calculating sample size and statistical power designed for health researchers

Nas próximas edições da seção de Bioestatística da revistaClinical & Biomedical Researchuma nova série de artigos será publicada abordando um assunto de grande importância ao planejar uma pesquisa: o tamanho de amostra mínimo necessário para atingir os objetivos do estudo. Nessa série será apresentado como calcular o tamanho de uma amostra usando a ferramenta PSSHealth(Power and Sample Size for Health Researchers), construído em linguagem R por meio do pacote Shiny, para diferentes tipos e objetivos de estudo, direcionado à pesquisadores da área da saúde, utilizando termos e conceitos comumente utilizados nesta área. Além disso, o pacote fornece uma sugestão de texto com as informações consideradas no cálculo, e como devem ser descritas, com a finalidade de minimizar problemas de interpretação por parte dos pesquisadores. Neste primeiro artigo será apresentada essa ferramenta desenvolvida pela Unidade de Bioestatística do Grupo de Pesquisa e Pós-Graduação do Hospital de Clínicas de Porto Alegre, que permite calcular não apenas o tamanho de amostra, mas também o poder de um teste de hipóteses. (AU)

In the next issues ofClinical and Biomedical Research, the Biostatistics section will introduce a new series of articles addressing a very important subject for research planning: the minimum sample size to achieve the aim of a study. This series will show how to calculate sample size using PSS Health (Power and Sample Size for Health Researchers). This tool was built using R language through the Shiny package. It can be used for different types of study and is designed for health researchers by using terms and concepts commonly used in this area. PSS Health also suggests a text with information considered in the calculation to minimize problems of interpretation by the researchers. In this first article, a general overview of PSS Health will be presented. This tool, which was developed by the Research and Graduate Group Biostatistics Unit of the Hospital de Clínicas de Porto Alegre, is useful not only to calculate sample size but also to determine power of a hypothesis test. (AU)

Likelihood ratio test between two groups of castor oil plant traits / Teste de razão de verossimilhança entre dois grupos de caracteres de mamoneira

ABSTRACT: The likelihood ratio test (LRT), to the independence between two sets of variables, allows to identify whether there is a dependency relationship between them. The aim of this study was to calculate the type I error and power of the LRT for determining independence between two sets of variables under multivariate normal distributions in scenarios consisting of combinations of 16 sample sizes; 40 combinations of the number of variables of the two groups; and nine degrees of correlation between the variables (for the power). The rate of type I error and power were calculate at 640 and 5,760 scenarios, respectively. A performance evaluation of the LRT was conducted by computer simulation by the Monte Carlo method, using 2,000 simulations in each scenario. When the number of variables was large (24), the TRV controlled the rate of type I errors and showed high power in sizes greater than 100 samples. For small sample sizes (25, 30 and 50), the test showed good performance because the number of variables did not exceed 12.

RESUMO: O teste de razão de verossimilhança para a independência entre dois grupos de variáveis permite-nos identificar se existe uma relação de dependência entre eles. O objetivo deste trabalho foi calcular o erro tipo I e o poder do teste de razão de verossimilhança para independência entre dois grupos de caracteres, com distribuição normal multivariada, em cenários constituídos pelas combinações de: 16 tamanhos de amostra; 40 combinações de número de caracteres dos dois grupos; e nove graus de correlação entre os caracteres (para o poder). A taxa de erro tipo I e o poder foram calculados em 640 e 5.760 cenários a taxa de erro tipo I e o poder, respectivamente. A avaliação do desempenho do teste de razão de verossimilhança foi realizada por meio de simulação computacional pelo método Monte Carlo, utilizando-se 2.000 simulações em cada um dos cenários. Quando o número de caracteres é grande (24), o teste de razão de verossimilhança controla a taxa de erro tipo I e apresenta poder elevado (próximo a 100%), em tamanhos de amostra superiores a 100. Para tamanhos amostrais pequenos (25, 30 e 50), o teste apresenta bom desempenho (erro tipo I esperado e poder elevado), desde que o número de caracteres não exceda a 12.