Power Analysis

功效分析（Power Analysis）是统计学中用于评估和规划假设检验可靠性的系统性方法，它回答了一个核心问题：当备择假设为真时，检验能够正确拒绝原假设的概率有多大？这一概率被称为统计功效（Statistical Power），记作 $1 - \beta$，其中 $\beta$ 是第二类错误（纳伪错误）的概率。功效分析的核心价值在于帮助研究者在实验设计阶段合理估算所需样本量，避免因样本不足而导致"假阴性"结果，同时也用于评估已有研究是否具备足够的统计灵敏度。在心理学、医学、流行病学、经济学、生态学和生物信息学等依赖统计推断的学科中，功效分析已成为研究设计、伦理审查和基金申请中的标准环节。缺乏功效分析的研究往往面临可重复性危机——这正是近年来科学界广泛关注的核心问题之一，许多重复失败的研究都可以追溯到功效不足。

四要素的互锁关系

功效分析建立在四个相互关联的变量之上，给定其中任意三个变量的值，即可精确求解第四个变量。这四要素构成了一个闭环系统，理解它们之间的关系是正确运用功效分析的前提。

样本量（$n$） 是最常被求解的目标变量。样本规模越大，抽样误差越小，对总体参数的估计越精确，功效自然越高。在给定效应量和显著性水平下，功效与样本量之间呈单调递增的非线性关系——当样本量很小时，增加样本对功效的提升效果显著；但当样本量达到一定阈值后，继续增加带来的边际收益逐渐递减。

效应量（Effect Size） 是衡量总体中真实差异或关联强度的标准化指标，不依赖于样本量。常见的效应量指标包括：Cohen's $d$（两组均值差除以合并标准差）、Cohen's $f$（用于方差分析）、$\eta^2$ 和 $\eta_p^2$（偏 eta 平方）、$R^2$（决定系数）以及比值比（Odds Ratio）。效应量越大，表示信号越强，在相同样本量下功效越高。Cohen 曾提出 $d = 0.2$、$0.5$、$0.8$ 分别对应小、中、大效应量的经验准则，但这一准则应结合具体领域背景灵活使用。

显著性水平（$\alpha$） 是第一类错误（拒真错误）的概率阈值，通常设定为 $0.05$ 或 $0.01$。$\alpha$ 值越大（即拒绝域越宽松），功效越高，但代价是增加了误报的风险。在多重比较的情境下，还需通过 Bonferroni、FDR 等方法对 $\alpha$ 进行调整，这会间接降低单个检验的功效。

统计功效（$1 - \beta$） 是正确拒绝原假设的概率，通常要求不低于 $0.80$，意味着研究有 $80\%$ 的把握检测到预设效应量的真实差异。在探索性研究中可适当放宽至 $0.70$，而在验证性临床试验等高 stakes 场景中可能要求达到 $0.90$ 甚至 $0.95$。

功效分析的方法分类

根据分析时机和目的的不同，可将功效分析分为若干类型，其中最常见的是先验功效分析和事后功效分析。

先验功效分析（A Priori Power Analysis） 在研究开始之前进行。研究者首先确定预期的效应量（基于文献、前期研究或元分析）、目标功效水平（通常 $0.80$）和显著性水平（通常 $0.05$），然后计算所需的最小样本量。例如，在双样本独立 $t$ 检验中，若预期 Cohen's $d = 0.5$、$\alpha = 0.05$、目标功效 $0.80$，则每组约需 $64$ 名受试者。先验分析的优点在于它能有效平衡统计严谨性与资源约束，避免因样本不足导致的无效研究或因过度采样造成的资源浪费和伦理问题。在临床药物试验中，监管机构通常要求提交基于先验功效分析的样本量论证。

事后功效分析（Post Hoc Power Analysis） 在数据收集完成之后进行。它利用已观测到的效应量和实际样本量，倒推检验所达到的功效水平。然而，事后功效分析存在严重的逻辑缺陷：若 $p$ 值已显著，事后功效必然较高，这种冗余计算并不提供额外信息；若 $p$ 值不显著，事后功效通常较低，但这只是重新陈述了"样本量不足以检测到该观测效应"的事实，而非有效证据支持原假设。因此，主流统计学家（如 Hoenig 和 Heisey 等）强烈建议用置信区间和效应量估计来替代事后功效分析。

计算方法与常用工具

功效分析的计算依赖于非中心分布理论。对于 $t$ 检验，功效涉及非中心 $t$ 分布，非中心参数为 $\delta = \frac{\mu_1 - \mu_0}{\sigma / \sqrt{n}}$。对于 $F$ 检验（如 ANOVA），功效涉及非中心 $F$ 分布，非中心参数为 $\lambda = n \cdot f^2$。对于卡方检验，则使用非中心卡方分布。对于更复杂的统计设计（如重复测量方差分析、混合效应模型、结构方程模型、多重插补后的合并检验），解析解往往不存在，此时通常依赖蒙特卡洛模拟（Monte Carlo Simulation）来估计功效，即根据预设参数生成大量模拟数据集，计算拒绝率作为功效的近似值。

在工具层面，G*Power 是最广泛使用的免费专用功效分析软件，支持 $t$ 检验、$F$ 检验、$\chi^2$ 检验、$z$ 检验和精确检验等各种常见设计的功效计算。R 语言中，\texttt{pwr} 包覆盖了基础检验的功效分析，\texttt{simr} 包专用于混合效应模型的模拟功效分析，\texttt{lmerPower} 则提供多水平模型的功效函数。Python 用户可利用 \texttt{statsmodels.stats.power} 模块中的 \texttt{TTestPower}、\texttt{FTestPower} 等类进行计算。在商业软件方面，SPSS、Stata 和 SAS 均集成了丰富的功效分析模块。此外，\texttt{WebPower} 等在线平台也提供了便捷的交互式功效分析服务，降低了使用门槛。

常见误区和注意事项

功效分析在实际应用中存在若干常见误区。第一，认为"功效越高越好"。过度追求高功效（如 $0.99$）会导致即使极其微小、毫无实际意义的效应量也能达到统计显著，研究者应始终将统计显著性与实际显著性（效应量的经济或临床意义）结合判断。第二，使用同一批数据的观测效应量作为输入——这被称为"双倍浸泡"（Double Dipping）问题，会导致功效计算变成循环论证。理想的效应量应来源于独立的先验知识。第三，忽视多重比较对功效的影响。当同时进行多个检验时，若不进行适当的校正，未校正的 $\alpha$ 水平会膨胀整体第一类错误率，但同时过严的校正又会压低功效，研究者需要在两者之间寻求平衡。第四，在功效分析中简单套用 Cohen 的经验准则而忽略具体领域的研究传统。不同学科、不同测量工具和不同研究设计下的典型效应量可能存在显著差异，盲目套用可能导致样本量估计失准。

总之，功效分析是连接统计理论与实证研究的关键技术工具。它迫使研究者在实验设计阶段就认真审视效应量的合理预期、样本的可行性以及检验的灵敏度，从而在源头上减少不可重复的研究。在当前科学界普遍关注"可重复性危机"的背景下，规范的先验功效分析已从"可选步骤"上升为研究伦理和学术出版的基本要求。