统计功效计算器
统计功效（Power）在线计算器，输入效应量、样本量与显著性水平，求得检验把握度，用于实验设计与样本量规划，纯前端。
⚡ Statistical Power
📐 工作原理与说明
计算统计检验的功效或所需样本量。
- 定义：功效 = 1 − β，即效应真实存在时正确拒绝原假设的概率。
- 四要素：效应量 d、样本量 n、显著性水平 α、检验方向（单侧/双侧），知三可求其一。
- 常用目标：功效 0.8 表示有 80% 的概率检出真实存在的效应。
- 关系：样本量越大、效应量越大、α 越宽松，功效越高。
📋 功效公式（双样本 t 检验近似）
功效 = 1 − β = P(拒绝 H₀ | H₁ 为真) ≈ Φ(d√(n/2) − z*₁₋α)
功效等级：
• 功效 < 0.5：差
• 0.5–0.8：可接受
• ≥ 0.8：良好（常用阈值）
• ≥ 0.95：优秀
含义：在 H₁ 为真时，正确拒绝 H₀ 的概率。
β：第二类错误（取伪错误）概率 = 1 − 功效
• 功效 < 0.5：差
• 0.5–0.8：可接受
• ≥ 0.8：良好（常用阈值）
• ≥ 0.95：优秀
含义：在 H₁ 为真时，正确拒绝 H₀ 的概率。
β：第二类错误（取伪错误）概率 = 1 − 功效
📚 深度解析：统计功效计算器
💡 常见使用场景
- 实验设计前估算检出效应所需样本量。
- 实验上线前算样本量：若只能接受 20% 的漏检风险，反推需要多少样本才能可靠检出预期的最小提升。
功效示意
α=0.05、效应量 d=0.5、功效 0.8 时约需 n≈64/组（两独立样本 t 检验近似）。
❓ 常见问题（FAQ）
- 功效 0.8 含义？
- 真实存在差异时，有 80% 概率拒绝原假设（即 20% 二类错误）。
- 为什么实验做完了才看功效没意义？
- 功效分析是「实验前」的工具，用来决定样本量；实验结束后再算「事后功效」，实际上只是把已得到的 p 值换个说法，不能证明结论可靠。正确做法是在设计阶段就确定最小可检出效应、显著性水平与功效，据此算出所需样本量并决定实验时长。
⚠️ 使用说明与注意事项
- 本工具纯前端运行，数据不会上传到服务器
- 建议在主流浏览器（Chrome/Safari/Firefox/Edge）中使用
- 计算结果仅供参考，请以实际应用场景为准
▼
工具简介
Estimate statistical power and required sample size in your browser — plan experiments confidently.