R语言统计分析——功效分析1（总述）
参考资料：R语言实战【第2版】
功效分析可以帮助在给定置信度的情况下，判断检测到给定效应值时所需要的样本量。功效分析也可以帮助我们在给定置信水平下，计算在在某样本量内能检测到给定效应值得概率。
在研究过程中，我们通常关注四个量：样本大小、显著性水平、功效和效应值，这四个量紧密相关（给定其中任意三个量，便可推算出第四个量）：
样本大小：指的是实验设计中每种条件/组中观测的数目。
显著性水平（也成为α）由Ⅰ型错误的概率定义，也可以把它看作发现效应不发生的概率。
功效：通过1减去Ⅱ型错误来定义，我们可以把它看作真实效应发生的概率。
效应值：指的是在备择或研究假设下效应的量。效应值得表达式依赖于假设检验中使用的统计方法。
Ⅰ型错误：原假设为真，但拒绝原假设。
Ⅱ型错误：原假设为假，但不拒绝原假设。
虽然我们可以直接控制样本量的大小和显著性水平，但对于功效和效应值得影响却是间接的。如：放宽显著性水平时，检验的功效变会增加；增加样本量，功效也会增加。
通常来说，研究目标是维持一个可接受的显著性水平，尽量使用较少的样本，然后最大化统计检验的功效。即最大化发现真实效应的几率，并最小化发现错误效应的几率，同时把研究成本控制在合理的范围内。
pwr包可以实现功效分析，常用函数见下表，对于每个函数，我们可以设定四个量（样本大小，显著性水平，功效，效应值）中的三个量，第四个量将由软件计算出来。
| 函数 | 功效计算的对象 |
| pwr.2p.test() | 两比例（n相等） |
| pwr.2p2n.test() | 两比例（n不相等） |
| pwr.anova.test() | 平衡的单因素方差分析 |
| pwr.chisq.test() | 卡方检验 |
| pwr.f2.test() | 广义线性模型 |
| pwr.p.test() | 比例（单样本） |
| pwr.r.test() | 相关系数 |
| pwr.t.test() | t检验（单样本、双样本、配对） |
| pwr.t2n.test() | t检验（不相等的两样本） |
四个量中，效应值时最难规定的。计算效应值通常需要一些相关估计的经验和对过去研究知识的理解。