在《如何計算假設檢驗的功效（power）和效應量（effect size）？》一文中，咱們講述瞭如何根據顯著性水平α，效應量和樣本容量n，計算功效，以及如何根據顯著性水平α，功效和樣本容量n，計算效應量。但這兩個應用都屬於過後檢驗，也就是說，就算假設檢驗以後計算出的功效或效應量不理想，咱們也沒有辦法改變。所以，咱們最好事先就把咱們想要達到的功效和效應量肯定好，而後根據顯著性水平α，功效和效應量，計算樣本容量n。這種事前檢驗的應用用得比較多。html
此外，咱們都知道，若是假設檢驗選取的樣本量很小，那麼檢驗結果的可信度就不高，由於每次抽取的樣本波動會很大。可是也不是說樣本量越大越好，由於若是樣本量很大的話，會增長檢驗的成本。好比說作A/B測試，一個公司的流量是有限的，此外，若是用不少用戶來作實驗，試錯成本會很大。所以，在假設檢驗以前肯定好一個「最小」的樣本量很是重要。ide
樣本量（sample size）：每次抽取的樣本中所含的觀測值的數量。函數
z檢驗（單樣本，樣本和整體均值）中計算樣本量的公式以下：測試
（單尾）spa
（雙尾）code
注：μa爲第二類錯誤中所採用的整體均值的值。htm
雙樣本（兩整體均值）的假設檢驗中，計算樣本量的公式以下：（下圖摘自：https://www.datasciencecentral.com/profiles/blogs/determining-sample-size-in-one-picture）blog
應用：根據顯著性水平α，功效和效應量，計算樣本容量n。ci
（可用G*Power或Statsmodels計算）get
如何使用G*Power：https://zhuanlan.zhihu.com/p/62560195
線上計算：https://www.stat.ubc.ca/~rollin/stats/ssize/n2.html
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')
卡方擬合優度檢驗：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)
能夠看到，用Statsmodels庫計算功效，效應量和樣本量的函數都是同一個，只要把須要計算的那個值仍然設爲None，把其餘想要達到的數值填上便可。
參考：