眼动追踪研究：Lmer模型合理性、样本量及powerSim问题咨询

Hi there! No need to apologize for being new to R or stats—we all start somewhere, so let's work through your questions together.

1. 你的混合效应模型公式是否适用？ #

首先，你的模型公式：

RT_lmer_BRY2 <- lmer(ia_rt~block + (1|sent_num) + (1|participant), data = pilot_data)

是完全适用于当前分析目标的，理由如下：

• 固定效应block：正好对应你要检验的核心变量（条件对反应时的影响），完全匹配研究目的。
• 随机截距(1|participant)：考虑了不同被试的基线反应时差异，这是眼动/反应时研究中必须控制的个体异质性，非常合理。
• 随机截距(1|sent_num)：控制了不同刺激材料（句子/单词）的基线难度差异，避免因材料本身的特性干扰结果，也是这类研究的常规操作。

如果后续预试能补充更多被试，你可以考虑加入随机斜率（比如(1+block|participant)）来检验条件效应是否在不同被试间存在差异，但就当前只有2名被试的预试阶段，这个简单的随机截距模型已经足够，而且更易收敛、更适合后续的效能模拟。

2. 解决powerSim耗时过长的问题 #

powerSim运行缓慢是很常见的，尤其是当预试样本量小、模型复杂或模拟次数较多时。这里给你几个实用的优化思路：

• 减少模拟次数：默认的nsim=1000虽然精度高，但耗时久。你可以先把nsim设小一点（比如nsim=200），先得到一个大致的效能估计，后续再根据需要增加次数。示例代码：

  powerSim(RT_lmer_BRY2, nsim=200)
  

• 启用并行计算：simr包支持并行模拟，利用电脑的多核CPU大幅加速。你可以用future包设置并行计划，示例：

  library(future)
  plan(multisession) # 启用多核并行
  powerSim(RT_lmer_BRY2, nsim=500) # 现在会并行运行模拟任务
  

• 基于预试效应量用解析法估算：由于你只有2名被试的预试数据，模型参数（比如block的效应量）可能波动很大，模拟结果的可靠性有限。你可以先从预试模型中提取block的效应量（比如回归系数、Cohen's d），然后用G*Power工具的「混合模型」模块，输入效应量、α水平（通常0.05）、目标效能（80%）来快速估算样本量，这会比模拟快很多。
• 临时简化模型（仅供参考）：如果以上方法还是不够快，可以暂时去掉(1|sent_num)先做初步效能估计，但注意这会忽略材料差异，结果仅作参考，最终分析还是要回到包含材料随机效应的模型。

额外小建议 #

因为仅2名被试的预试数据得到的效应量估计稳定性不足，建议后续如果能补充5-10名预试被试，再开展效能分析会更准确，模拟结果的参考价值也更高。

内容的提问来源于stack exchange，提问作者Oifeli