作完一個假設檢驗以後，若是結果具備統計顯著性，那麼還須要繼續計算其效應量，若是結果不具備統計顯著性，而且還須要繼續進行決策的話，那麼須要計算功效。css
功效（power）：正確拒絕原假設的機率，記做1-β。html
假設檢驗的功效受如下三個因素影響：ide
- 樣本量 (n)：其餘條件保持不變，樣本量越大，功效就越大。
- 顯著性水平 (α)： 其餘條件保持不變，顯著性水平越低，功效就越小。
- 兩整體之間的差別：其餘條件保持不變，整體參數的真實值和估計值之間的差別越大，功效就越大。也能夠說，效應量（effect size）越大，功效就越大。
應用：根據顯著性水平α，效應量和樣本容量n，計算功效。post
（可用G*Power或Statsmodels計算）spa
單樣本t檢驗：statsmodels.stats.power.tt_solve_power(effect_size=None, nobs=None, alpha=None, power=None, alternative='two-sided')3d
獨立樣本t檢驗：statsmodels.stats.power.tt_ind_solve_power(effect_size=None, nobs1=None, alpha=None, power=None, ratio=1.0, alternative='two-sided')code
卡方檢驗：statsmodels.stats.power.GofChisquarePower.solve_power(effect_size=None, nobs=None, alpha=None, power=None, n_bins=2)htm
F檢驗：statsmodels.stats.power.FTestPower.solve_power(effect_size=None, df_num=None, df_denom=None, nobs=None, alpha=None, power=None, ncc=1)blog
方差分析：statsmodels.stats.power.FTestAnovaPower.solve_power(effect_size=None, nobs=None, alpha=None, power=None, k_groups=2)ci
效應量（effect size）： 樣本間差別或相關程度的量化指標。
效應量一般用三種方式來衡量：(1) 標準均差（standardized mean difference），(2) 概率（odd ratio），(3) 相關係數（correlation coefficient）。
這裏說一下第一種：標準均差（standardized mean difference）。主要有如下幾種指標：
Cohen’s d : 兩整體均值之間的標準差別。適用於兩組樣本的樣本量和方差類似的狀況。
計算公式：
其中：
Hedges’ g: 是cohen的方法的改進，適用於兩組樣本的樣本量不一樣的狀況。
計算公式：
其中：
Glass’s Δ （delta）: 和cohen的方法相似，可是隻除以控制組的標準差。適用於兩組樣本的方差不一樣的狀況。
計算公式：
Cramer’s φ (Phi) or Cramer’s V: 用於測算類別型數據的效應量。當類別型變量包含2個類別時，使用Cramer’s phi，若是超過2個類別，那麼使用Cramer’s V。
Cohen’s f2: 用於測算方差分析，多元迴歸之類的效應量。
計算公式：
應用：根據顯著性水平α，功效和樣本容量n，計算效應量。
（可用G*Power或Statsmodels計算）
單樣本t檢驗：statsmodels.stats.power.tt_solve_power(effect_size=None, nobs=None, alpha=None, power=None, alternative='two-sided')
獨立樣本t檢驗：statsmodels.stats.power.tt_ind_solve_power(effect_size=None, nobs1=None, alpha=None, power=None, ratio=1.0, alternative='two-sided')
卡方檢驗：statsmodels.stats.power.GofChisquarePower.solve_power(effect_size=None, nobs=None, alpha=None, power=None, n_bins=2)
F方差齊性檢驗：statsmodels.stats.power.FTestPower.solve_power(effect_size=None, df_num=None, df_denom=None, nobs=None, alpha=None, power=None, ncc=1)
方差分析：statsmodels.stats.power.FTestAnovaPower.solve_power(effect_size=None, nobs=None, alpha=None, power=None, k_groups=2)
以上兩種應用都屬於過後檢驗（post hoc）。除此以外，還有一個應用就是：根據顯著性水平α，功效和效應量，計算樣本容量n。這屬於事前檢驗（prior）。具體請見：《如何肯定假設檢驗的樣本量？》。
參考：
https://wenku.baidu.com/view/d78a82ecb9d528ea80c7792c.html
https://www.statisticssolutions.com/statistical-analyses-effect-size/