simr包powerSim计算二项GLMM功效时所有效应量均返回100%功效求助

• 传参错误：你修改固定效应的操作是针对latglmm1对象执行的，但运行powerSim()时传入的是未做任何修改的原始模型对象latglmm，你调整的效应量参数根本没有进入功效计算流程。原始模型中纬度效应p=0.007、采样日效应p<0.001，本身在714的样本量下已经达到极显著水平，自然无论怎么修改latglmm1的参数，输出都是100%功效。
• 模拟迭代数严重不足：输出结果明确标注仅基于10次模拟计算功效，对应的95%置信区间跨度从69.15%到100%，估计误差极大，完全不具备统计参考性，正式功效分析的模拟次数至少要设置为1000次，预实验最低也不能少于200次。
• 模型比较公式设置错误：你传入fcompare()的简化模型公式~ scale(latitude) + native.status，会同时移除交互项和采样日固定效应两个项，和你“单独调整纬度、本地状态效应量计算功效”的目标不匹配，检验项和调整项错位也会导致结果异常。
• 观测水平随机效应导致功效虚高：模型中catalogue.number的水平数为713，几乎和总样本量714持平，该随机效应的估计方差达1.26，解释了绝大部分残差变异，会让simr在模拟时高估有效检验效能，很容易出现全显著的100%功效结果。

• 统一模型对象：修改固定效应、执行功效计算必须使用同一个模型对象，不要在不同命名的对象间操作导致参数传递失效。
• 正确设置比较公式：如果要检验某一个固定效应的功效，简化模型必须保留其余所有不需要检验的固定效应（比如采样日协变量、不调整效应量的其他主效应），仅移除你要检验的目标项。例如检验纬度和本地状态的交互项时，简化模型公式应为~ scale(latitude) + native.status + scale(sample.day.of.year)。如果要单独检验某一个主效应，更稳妥的方式是用simr内置的fixed()函数直接指定要检验的参数名，避免公式写错。
• 调高模拟次数：运行powerSim()时添加参数nsim=1000，算力不足时可先用nsim=200跑预实验确认趋势，不要用默认的10次模拟结果做结论。
• 校正观测水平随机效应方差：做功效模拟时，将观测水平随机效应的方差固定为你glmmTMB模型输出的离散参数估计值，不要直接使用lme4中可能偏高的方差估计，避免功效估计虚高。

• 手动参数自助法（灵活性最高）：
  1. 固定所有非目标参数（协变量效应、随机效应方差、截距）为你glmmTMB模型的实际估计值，将目标效应设置为你要测试的效应量
  2. 基于设定好的参数，重复模拟1000次响应变量数据集
  3. 对每个模拟数据集拟合对应的glmmTMB模型，提取目标效应的p值
  4. 统计p<0.05的模拟数据集占比，即为该效应量对应的统计功效
     该方法完全不依赖simr包，可自由调整效应量、样本量、随机效应结构，还能直接输出每次模拟的p值分布。
• 使用mixedpower包：该包专门针对广义线性混合模型的功效分析设计，原生支持glmmTMB拟合的模型对象，不需要转换为lme4格式，可直接指定固定效应值后输出对应功效结果。
• 手动构建simr兼容模型：将glmmTMB输出的固定效应系数、随机效应方差手动输入simr的makeGlmer()函数，构建专门用于模拟的lme4格式模型对象，绕开glmmTMB对象不兼容的问题。

内容的提问来源于stack exchange，提问作者Katy