技能介绍

研究规划里最容易被低估的一步

功效分析要回答的是：在你能负担的样本量下能检测到什么效应，以及要可靠检出给定大小的效应需要多少人。功效不足会浪费经费、产出不可重复的结果；功效过剩则多招受试者、在临床场景里还可能带来不必要的暴露。在收数据之前把 n、效应量、α 和功效（1−β）的关系算清楚，往往是整个项目里统计决策杠杆最高的一环。

技能如何帮你算

本技能把两类路径打包成可复用脚本：

封闭式公式：scripts/power.py 对 statsmodels / Pingouin 做统一封装，覆盖独立/配对 t 检验、ANOVA、比例、相关、卡方（效应量 w）、线性回归 R² 增量等常见检验，支持求样本量、功效、最小可检测效应（MDE）和功效曲线。
蒙特卡洛模拟：当计划分析是逻辑/Poisson 回归、混合模型、整群随机、生存或中介等「没有教科书闭式解」的设计时，用 scripts/simulate_power.py 按「生成数据 → 跑你真实会用的模型 → 重复数千次看显著比例」估计功效，并可搜索达到目标功效的 n。

配套 references/ 说明效应量选择（SESOI、预试验估计的收缩、Cohen 惯例及 d、f、η²、OR 等转换）、闭式参数表与模拟模式（流失、聚类 ICC、多重比较等）。

边界与常见坑

效应量不要凭空捏造；优先最小重要效应（SESOI），并对合理效应量范围做敏感性分析，避免只报一个 n。不要报告「观测到的事后功效」——研究完成后应报 MDE 或效应置信区间。入组人数要按流失率放大；嵌套/聚类数据要用设计效应或模拟，不能把测量当独立个体。功效方法必须与你计划实际拟合的检验/模型一致，不能用 t 检验公式给逻辑回归方案背书。