在《如何计算假设检验的功效（power）和效应量（effect size）？》一文中，咱们讲述了如何根据显著性水平α，效应量和样本容量n，计算功效，以及如何根据显著性水平α，功效和样本容量n，计算效应量。但这两个应用都属于过后检验，也就是说，就算假设检验以后计算出的功效或效应量不理想，咱们也没有办法改变。所以，咱们最好事先就把咱们想要达到的功效和效应量肯定好，而后根据显著性水平α，功效和效应量，计算样本容量n。这种事前检验的应用用得比较多。html
此外，咱们都知道，若是假设检验选取的样本量很小，那么检验结果的可信度就不高，由于每次抽取的样本波动会很大。可是也不是说样本量越大越好，由于若是样本量很大的话，会增长检验的成本。好比说作A/B测试，一个公司的流量是有限的，此外，若是用不少用户来作实验，试错成本会很大。所以，在假设检验以前肯定好一个“最小”的样本量很是重要。ide
样本量（sample size）：每次抽取的样本中所含的观测值的数量。函数
z检验（单样本，样本和整体均值）中计算样本量的公式以下：测试
（单尾）spa
（双尾）code
注：μa为第二类错误中所采用的整体均值的值。htm
双样本（两整体均值）的假设检验中，计算样本量的公式以下：（下图摘自：https://www.datasciencecentral.com/profiles/blogs/determining-sample-size-in-one-picture）blog
应用：根据显著性水平α，功效和效应量，计算样本容量n。ci
（可用G*Power或Statsmodels计算）get
如何使用G*Power：https://zhuanlan.zhihu.com/p/62560195
线上计算：https://www.stat.ubc.ca/~rollin/stats/ssize/n2.html
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')
卡方拟合优度检验：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)
能够看到，用Statsmodels库计算功效，效应量和样本量的函数都是同一个，只要把须要计算的那个值仍然设为None，把其余想要达到的数值填上便可。
参考：