Simulation experimental design

The simulation has 1000 respondents and 100 runs. The simulation itself took 17H 22M 14.2090000000026S .

the parameters used for the simulation are:

Statistics and power

Here you see the statistics of your parameters for the 100 runs.

kable(all_designs[["summaryall"]] ,digits = 3) %>% kable_styling()

	desmainstlargersc.n	desmainstlarge.n	desmainstlargersc.mean	desmainstlarge.mean	desmainstlargersc.sd	desmainstlarge.sd	desmainstlargersc.min	desmainstlarge.min	desmainstlargersc.max	desmainstlarge.max	desmainstlargersc.range	desmainstlarge.range	desmainstlargersc.se	desmainstlarge.se	desmainstlargersc.median	desmainstlargersc.skew	desmainstlargersc.kurtosis	desmainstlarge.median	desmainstlarge.skew	desmainstlarge.kurtosis
est_bx1	100	100	0.101	0.101	0.011	0.009	0.065	0.077	0.131	0.122	0.066	0.046	0.001	0.001	0.102	-0.235	0.490	0.101	-0.075	0.069
est_bx1sq	100	100	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.001	0.001	0.000	0.000	0.000	-0.130	-0.333	0.000	0.142	0.785
est_bx2	100	100	0.198	0.199	0.027	0.021	0.144	0.143	0.276	0.262	0.132	0.119	0.003	0.002	0.194	0.353	-0.062	0.201	0.006	0.155
est_bx3	100	100	0.100	0.102	0.010	0.009	0.078	0.081	0.121	0.121	0.043	0.041	0.001	0.001	0.101	-0.173	-0.420	0.103	-0.247	-0.756
est_bx3sq	100	100	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.317	-0.089	0.000	-0.196	1.623
est_bx4	100	100	0.106	0.102	0.037	0.039	0.000	0.017	0.190	0.227	0.190	0.210	0.004	0.004	0.105	-0.095	-0.068	0.104	0.039	-0.093
est_bcost	100	100	-0.050	-0.050	0.002	0.003	-0.054	-0.055	-0.045	-0.043	0.010	0.012	0.000	0.000	-0.050	0.180	-0.602	-0.050	0.520	-0.434
est_bsq	100	100	0.417	0.410	0.065	0.060	0.256	0.231	0.561	0.585	0.305	0.354	0.006	0.006	0.420	-0.092	-0.603	0.418	-0.088	0.420
rob_pval0_bx1	100	100	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	NaN	NaN	0.000	NaN	NaN
rob_pval0_bx1sq	100	100	0.215	0.129	0.271	0.191	0.000	0.000	0.970	0.870	0.970	0.870	0.027	0.019	0.085	1.361	0.772	0.050	2.021	3.611
rob_pval0_bx2	100	100	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	NaN	NaN	0.000	NaN	NaN
rob_pval0_bx3	100	100	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	NaN	NaN	0.000	NaN	NaN
rob_pval0_bx3sq	100	100	0.097	0.066	0.213	0.155	0.000	0.000	0.970	0.960	0.970	0.960	0.021	0.015	0.010	2.690	6.439	0.010	3.857	17.049
rob_pval0_bx4	100	100	0.056	0.075	0.136	0.134	0.000	0.000	0.990	0.680	0.990	0.680	0.014	0.013	0.010	4.629	24.618	0.010	2.293	5.067
rob_pval0_bcost	100	100	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	NaN	NaN	0.000	NaN	NaN
rob_pval0_bsq	100	100	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	NaN	NaN	0.000	NaN	NaN

all_designs[["powa"]]

$desmainstlargersc

FALSE  TRUE 
   84    16 

$desmainstlarge

FALSE  TRUE 
   79    21 

Illustration of simulated parameter values

To facilitate interpretation and judgement of the different designs, you can plot the densities of simulated parameter values from the different experimental designs.

$x1

$x1sq

$x2

$x3

$x3sq

$x4

$cost

$sq