检验效能

检验效能 (Statistical Power)

检验效能（Statistical Power）是假设检验中一个核心概念，定义为当备择假设（$H_1$）为真时，检验正确拒绝原假设（$H_0$）的概率。在Neyman-Pearson框架下，假设检验面临两类错误——I类错误（Type I Error，弃真，概率记为$\alpha$）与II类错误（Type II Error，存伪，概率记为$\beta$）。检验效能即为$1 - \beta$，反映检验"发现真实效应"的能力。直观地讲，如果一个检验的效能很低，即使真实效应存在，研究者也很可能得出"不显著"的结论——这意味着研究资源的浪费，甚至可能阻碍科学进展。

数学定义与功效函数

形式上，检验效能定义为功效函数（Power Function）在备择假设参数空间上的取值。设$\theta$为未知参数，检验的拒绝域为$R$，则功效函数为$\pi(\theta) = P_{\theta}(\text{拒绝} H_0) = P_{\theta}(T \in R)$，其中$T$为检验统计量。当$\theta \in \Theta_0$（原假设为真）时，$\pi(\theta) \le \alpha$，且理想情况下在边界处等于$\alpha$；当$\theta \in \Theta_1$（备择假设为真）时，$\pi(\theta) = 1 - \beta(\theta)$即为检验效能。一个"一致最优"的检验（UMP检验，Uniformly Most Powerful）应在所有$\theta \in \Theta_1$上最大化$\pi(\theta)$。

以单样本$z$检验为例：$H_0: \mu = \mu_0$ vs $H_1: \mu > \mu_0$，已知方差$\sigma^2$。在显著性水平$\alpha$下拒绝域为$\bar{X} > \mu_0 + z_{1-\alpha} \cdot \sigma/\sqrt{n}$。若真实均值为$\mu_1 > \mu_0$，则检验效能为：

其中$\Phi$为标准正态分布的CDF，$\delta = (\mu_1 - \mu_0)/(\sigma/\sqrt{n})$称为非中心参数（non-centrality parameter），度量了效应相对于标准误的大小。该公式清晰展示了效能与$\alpha$、效应量（$\mu_1 - \mu_0$）、样本量$n$和方差$\sigma^2$之间的定量关系。

影响检验效能的四大因素

显著性水平$\alpha$：放宽显著性水平（如从0.01提升至0.05）直接降低拒绝域的临界值$z_{1-\alpha}$，使检验更容易拒绝$H_0$，从而提升效能。但这是一把双刃剑——提升$\alpha$同时增加了I类错误的风险。实践中$\alpha$通常由研究领域的惯例固定（如0.05），不随意调整。

效应量（Effect Size）：效应量指$H_1$偏离$H_0$的程度，在上式中体现为$\mu_1 - \mu_0$。效应越大，两个分布在抽样分布图上分离越远，越容易被检测到——效能自然越高。例如若真实治疗效应使血压降低10mmHg而非2mmHg，在相同样本量下前者几乎必然被检测到。效应量由研究问题的实质决定，研究者无法操控，但必须合理估计——通常通过先验研究、元分析或最小临床重要差异（MCID）获取。

样本量$n$：这是研究者最主动可控的因素。增大样本量会缩小标准误（标准误正比于$1/\sqrt{n}$），使抽样分布更集中，从而让$H_0$分布与$H_1$分布的重叠区域缩小，效能随之提升。但样本量受限于时间、预算和伦理约束——在临床试验中过度招募受试者本身即不伦理。这引出了先验功效分析（priori power analysis）的必要性：在研究设计阶段确定达到目标效能所需的最小样本量。

总体变异度$\sigma^2$：数据的内在变异性越大，信号越容易被噪声掩盖，效能越低。通过实验设计控制混杂因素、采用更精确的测量工具、或使用协变量调整（如ANCOVA）可以降低误差方差，从而间接提升效能。

功效分析与应用

功效分析（Power Analysis）分为三种类型：先验功效分析（给定$\alpha$、目标效能和预期效应量，求最小$n$）——这是实验设计的黄金标准，Jacob Cohen建议以0.80（即$\beta = 0.20$）为目标效能，意味着研究者愿意接受最多20\%的概率错失真实效应；后验功效分析（post hoc，数据收集后计算实际效能），争议较大——批评者指出若结果已不显著，后验效能必然偏低，属于循环推理，APA等学会明确反对这种做法；敏感性分析（给定$\alpha$、$n$和效能，求可检测的最小效应量），在资源已固定的情况下帮助判断研究是否值得进行。

检验效能与p值存在对偶关系：p值越小可能意味着效能越强，但两者不可混淆——p值是"在$H_0$为真时观察到现有结果的极端程度"，而效能是"$H_1$为真时获得显著结果的概率"，属于不同概率空间。过度依赖p值而忽视效能是可重复性危机的根源之一：低效能研究即使获得"显著"结果，其阳性预测值仍然很低，更可能是假阳性。

检验效能在临床试验设计中具有法理意义——FDA和EMA等监管机构要求III期临床试验必须基于功效分析确定样本量，确保足以检测临床上有意义的效应。在A/B测试、心理学实验、经济学实证研究和基因组-wide关联研究（GWAS，需多重检验校正后仍维持足够效能）中，功效分析同样是事前研究设计不可跳过的环节。常用功效分析软件包括G*Power、R语言的pwr包和Python的statsmodels。