Simulation experimental design

The simulation has 360 respondents and 2 runs.

the parameters used for the simulation are:

$b_beitrag
b_beitrag 
     1.15 

$b_entfernung
b_entfernung 
       -0.23 

$b_gemeinschaft
b_gemeinschaft 
          0.13 

$b_gestaltung
b_gestaltung 
        0.39 

$b_groesse
b_groesse 
     0.07 

$b_kultur
b_kultur 
    0.16 

$b_umweltbildung
b_umweltbildung 
           0.14 

$b_zugang
b_zugang 
    0.07 

The average frequencies of choices for each alternative are

gr<-map_dfr(seq_along(1:nosim), ~ table(all_designs[["bayeff"]][[.]][["data"]][["CHOICE"]])/length(all_designs[["bayeff"]][[1]][["data"]][["CHOICE"]])) %>% mutate(across(everything(),as.numeric))  

print(summary(gr)[4,])

Statistics and power

Here you see the statistics of your parameters for the 2 runs.

kable(summaryall ,digits = 3) %>% kable_styling()

	bayefficient.n	efficient.n	bayefficient.mean	efficient.mean	bayefficient.sd	efficient.sd	bayefficient.min	efficient.min	bayefficient.max	efficient.max	bayefficient.range	efficient.range	bayefficient.se	efficient.se
est_asc_gemeinschaft	2	2	0.433	0.644	0.056	0.082	0.394	0.586	0.473	0.702	0.079	0.115	0.040	0.058
est_b_groesse	2	2	0.062	0.039	0.035	0.011	0.037	0.031	0.087	0.046	0.050	0.015	0.025	0.007
est_b_entfernung	2	2	-0.196	-0.202	0.004	0.037	-0.198	-0.228	-0.193	-0.175	0.006	0.053	0.003	0.026
est_b_gemeinschaft	2	2	0.158	0.149	0.007	0.040	0.153	0.121	0.163	0.178	0.010	0.057	0.005	0.028
est_b_kultur	2	2	0.136	0.128	0.049	0.011	0.101	0.120	0.170	0.135	0.069	0.015	0.034	0.008
est_b_umweltbildung	2	2	0.205	0.083	0.013	0.002	0.195	0.082	0.214	0.084	0.019	0.002	0.009	0.001
est_b_zugang	2	2	0.071	0.057	0.003	0.001	0.068	0.056	0.073	0.058	0.005	0.001	0.002	0.001
est_b_gestaltung	2	2	0.398	0.362	0.034	0.027	0.374	0.343	0.422	0.380	0.047	0.038	0.024	0.019
est_b_beitrag	2	2	1.122	1.065	0.029	0.077	1.101	1.011	1.143	1.120	0.041	0.109	0.021	0.055
est_asc_klein	2	2	0.244	0.402	0.011	0.033	0.237	0.378	0.252	0.425	0.015	0.046	0.008	0.023
rob_pval0_asc_gemeinschaft	2	2	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000
rob_pval0_b_groesse	2	2	0.110	0.235	0.156	0.106	0.000	0.160	0.220	0.310	0.220	0.150	0.110	0.075
rob_pval0_b_entfernung	2	2	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000
rob_pval0_b_gemeinschaft	2	2	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000
rob_pval0_b_kultur	2	2	0.005	0.000	0.007	0.000	0.000	0.000	0.010	0.000	0.010	0.000	0.005	0.000
rob_pval0_b_umweltbildung	2	2	0.000	0.035	0.000	0.007	0.000	0.030	0.000	0.040	0.000	0.010	0.000	0.005
rob_pval0_b_zugang	2	2	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000
rob_pval0_b_gestaltung	2	2	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000
rob_pval0_b_beitrag	2	2	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000
rob_pval0_asc_klein	2	2	0.005	0.000	0.007	0.000	0.000	0.000	0.010	0.000	0.010	0.000	0.005	0.000

powa

$bayefficient

FALSE  TRUE 
   50    50 

$efficient

FALSE 
  100 

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.

$ascgemeinschaft

$groesse

$entfernung

$gemeinschaft

$kultur

$umweltbildung

$zugang

$gestaltung

$beitrag

$ascklein