The stimulus sampling design (SSD) is a widely applied research paradigm in which participants evaluate a series of visual or auditory stimuli. Researchers are often interested in phenomena reflected by differences across stimuli, and recent simulation work suggests that more than 100 stimuli may be necessary to detect smaller effects. Unfortunately, administering a large number of stimuli to each participant may compromise the validity of responses due to individual differences in susceptibility to fatigue and distraction. The present work describes the application of planned missingness design strategies to maximize statistical power, while minimizing participant burden in SSD studies. A Monte Carlo simulation study was conducted to determine the number of stimuli per rater (SPR) and average raters per stimuli (RPS) needed to ensure unbiased estimates of model parameters, as well as the desired statistical power and interval coverage. Findings suggest that two commonly used statistical estimation techniques, restricted maximum likelihood and the Markov Chain Monte Carlo algorithm, provide reliable estimates of model parameters and maintain adequate statistical power under substantial levels of planned missingness. Incorporating these methods will allow researchers to design more efficient and powerful experiments by reducing redundancies and minimizing sources of methodological error. Recommendations for incorporating planned missingness strategies in SSDs are provided.

刺激抽样设计 (SSD) 是一种广泛应用的研究范式，参与者在其中评估一系列视觉或听觉刺激。研究人员通常对刺激差异所反映的现象感兴趣，最近的模拟工作表明，可能需要 100 多种刺激来检测较小的影响。不幸的是，由于个体对疲劳和分心的敏感性存在差异，对每个参与者进行大量刺激可能会损害响应的有效性。目前的工作描述了计划缺失设计策略的应用，以最大限度地提高统计能力，同时最大限度地减少 SSD 研究中的参与者负担。进行蒙特卡罗模拟研究以确定每个评估者 (SPR) 的刺激数量和每个刺激的平均评估者 (RPS) 所需的确保模型参数的无偏估计，以及所需的统计功效和区间覆盖率。研究结果表明，两种常用的统计估计技术，受限最大似然法和马尔可夫链蒙特卡罗算法，提供了可靠的模型参数估计，并在大量计划缺失的情况下保持足够的统计能力。结合这些方法将使研究人员能够通过减少冗余和最小化方法错误的来源来设计更有效和更强大的实验。提供了在 SSD 中纳入计划缺失策略的建议。以及所需的统计功效和区间覆盖率。研究结果表明，两种常用的统计估计技术，受限最大似然法和马尔可夫链蒙特卡罗算法，提供了可靠的模型参数估计，并在大量计划缺失的情况下保持足够的统计能力。结合这些方法将使研究人员能够通过减少冗余和最小化方法错误的来源来设计更有效和更强大的实验。提供了在 SSD 中纳入计划缺失策略的建议。以及所需的统计功效和区间覆盖率。研究结果表明，两种常用的统计估计技术，受限最大似然法和马尔可夫链蒙特卡罗算法，提供了可靠的模型参数估计，并在大量计划缺失的情况下保持足够的统计能力。结合这些方法将使研究人员能够通过减少冗余和最小化方法错误的来源来设计更有效和更强大的实验。提供了在 SSD 中纳入计划缺失策略的建议。提供模型参数的可靠估计，并在大量计划缺失的情况下保持足够的统计能力。结合这些方法将使研究人员能够通过减少冗余和最小化方法错误的来源来设计更有效和更强大的实验。提供了在 SSD 中纳入计划缺失策略的建议。提供模型参数的可靠估计，并在大量计划缺失的情况下保持足够的统计能力。结合这些方法将使研究人员能够通过减少冗余和最小化方法错误的来源来设计更有效和更强大的实验。提供了在 SSD 中纳入计划缺失策略的建议。