作完一个假设检验以后，若是结果具备统计显著性，那么还须要继续计算其效应量，若是结果不具备统计显著性，而且还须要继续进行决策的话，那么须要计算功效。css
功效（power）：正确拒绝原假设的几率，记做1-β。html
假设检验的功效受如下三个因素影响：ide
- 样本量 (n)：其余条件保持不变，样本量越大，功效就越大。
- 显著性水平 (α)： 其余条件保持不变，显著性水平越低，功效就越小。
- 两整体之间的差别：其余条件保持不变，整体参数的真实值和估计值之间的差别越大，功效就越大。也能够说，效应量（effect size）越大，功效就越大。
应用：根据显著性水平α，效应量和样本容量n，计算功效。post
（可用G*Power或Statsmodels计算）spa
单样本t检验：statsmodels.stats.power.tt_solve_power(effect_size=None, nobs=None, alpha=None, power=None, alternative='two-sided')3d
独立样本t检验：statsmodels.stats.power.tt_ind_solve_power(effect_size=None, nobs1=None, alpha=None, power=None, ratio=1.0, alternative='two-sided')code
卡方检验：statsmodels.stats.power.GofChisquarePower.solve_power(effect_size=None, nobs=None, alpha=None, power=None, n_bins=2)htm
F检验：statsmodels.stats.power.FTestPower.solve_power(effect_size=None, df_num=None, df_denom=None, nobs=None, alpha=None, power=None, ncc=1)blog
方差分析：statsmodels.stats.power.FTestAnovaPower.solve_power(effect_size=None, nobs=None, alpha=None, power=None, k_groups=2)ci
效应量（effect size）： 样本间差别或相关程度的量化指标。
效应量一般用三种方式来衡量：(1) 标准均差（standardized mean difference），(2) 概率（odd ratio），(3) 相关系数（correlation coefficient）。
这里说一下第一种：标准均差（standardized mean difference）。主要有如下几种指标：
Cohen’s d : 两整体均值之间的标准差别。适用于两组样本的样本量和方差类似的状况。
计算公式：
其中：
Hedges’ g: 是cohen的方法的改进，适用于两组样本的样本量不一样的状况。
计算公式：
其中：
Glass’s Δ （delta）: 和cohen的方法相似，可是只除以控制组的标准差。适用于两组样本的方差不一样的状况。
计算公式：
Cramer’s φ (Phi) or Cramer’s V: 用于测算类别型数据的效应量。当类别型变量包含2个类别时，使用Cramer’s phi，若是超过2个类别，那么使用Cramer’s V。
Cohen’s f2: 用于测算方差分析，多元回归之类的效应量。
计算公式：
应用：根据显著性水平α，功效和样本容量n，计算效应量。
（可用G*Power或Statsmodels计算）
单样本t检验：statsmodels.stats.power.tt_solve_power(effect_size=None, nobs=None, alpha=None, power=None, alternative='two-sided')
独立样本t检验：statsmodels.stats.power.tt_ind_solve_power(effect_size=None, nobs1=None, alpha=None, power=None, ratio=1.0, alternative='two-sided')
卡方检验：statsmodels.stats.power.GofChisquarePower.solve_power(effect_size=None, nobs=None, alpha=None, power=None, n_bins=2)
F方差齐性检验：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)
以上两种应用都属于过后检验（post hoc）。除此以外，还有一个应用就是：根据显著性水平α，功效和效应量，计算样本容量n。这属于事前检验（prior）。具体请见：《如何肯定假设检验的样本量？》。
参考：
https://wenku.baidu.com/view/d78a82ecb9d528ea80c7792c.html
https://www.statisticssolutions.com/statistical-analyses-effect-size/