10.5　小结

在第7章、第8章和第9章，我们探索了各种各样的统计假设检验R函数。本章中，我们主要关注研究的筹备阶段。功效分析不仅可以帮助你判断在给定置信度和效应值的前提下所需的样本量，也能说明在给定样本量时检测到要求效应值的概率。对于限定误报效应显著性的可能性 （I型错误）和正确检测真实效应（功效）的可能性的平衡，你也有了一个直观的了解。

本章主要内容是pwr包中函数的使用方法。这些函数可以对常见的统计方法（包括t检验、卡方检验、比例检验、ANOVA和回归）进行功效和样本量的计算。本章最后还介绍了一些专业化的功效分析方法。

典型的功效分析是一个交互性的过程。研究者会通过改变样本量、效应值、预期显著性水平和预期功效水平这些参数，来观测它们对于其他参数的影响。这些结果对于研究的筹备是非常有意义的。过去研究的信息（特别是效应值）可以帮助你在未来设计更有效和高效的研究。

功效分析的一个重要附加效益是引起方向性的转变，它鼓励不要仅仅关注于二值型（即效应存在还是不存在）的假设检验，而应该仔细思考效应值增加的意义。期刊编辑越来越多地要求作者在报告研究结果的时候既包含p值又包含效应值。因为它们不仅能够帮助你判断研究的实际意义，还能提供用于未来研究的信息。

下一章，我们将学习一些可视化多元关系的新方法。这些可视化的图形不仅能补充和加强到目前为止我们已经讨论过的分析方法，还能为你学习第三部分的高级方法做一些准备。