统计功效分析帮助你确定需要多少样本才能可靠地检测到你关心的效应。功效不足的研究可能得出"无显著差异"的结论，实际上只是因为样本太少。
⚡ 关键概念
- 统计功效 (1-β) - 当真实效应存在时，检验能够检测到它的概率。通常要求至少80%。
- 效应量 - 衡量效应大小的标准化指标。Cohen's d 用于均值差异，f 用于方差分析，r 用于相关性。
- α (显著性水平) - 第一类错误的概率，即"假阳性"率。通常设为0.05。
- β (第二类错误) - "假阴性"率，功效 = 1 - β。
🎯 如何使用
- 实验前 - 给定预期效应量和目标功效，计算所需样本量
- 实验后 - 给定实际样本量，计算能检测到的最小效应量
- 事后分析 - 给定样本量和观察到的效应量，计算实际功效
📊 效应量估计建议
- 参考同领域已发表研究的效应量
- 进行小规模预实验估计效应量
- 如果完全未知，使用中等效应量（Cohen's d = 0.5）作为保守估计