统计效力（Power）是统计学中一个核心概念，指在零假设（H₀）为假的情况下，检验能够正确拒绝该假设的概率，即不犯第二类错误（β错误）的概率。以下是关于统计效力的详细解释：

一、定义与核心公式

统计效力通常用 $1 - beta$ 表示，其中 $beta$ 是第二类错误的概率（即未能拒绝错误零假设的概率）。例如，若 $beta = 0.1$，则统计效力为 $1 - 0.1 = 0.9$，表示有90%的概率正确拒绝错误的零假设。

二、与统计显著性的区别

统计显著性（P值） ：指在零假设为真时，观察到的数据或更极端数据出现的概率，通常与显著性水平（如 $alpha = 0.05$）比较。

统计效力 ：关注的是零假设为假时检验的敏感度，即能否检测到实际存在的效应。

三、影响统计效力的因素

效应大小（Effect Size） ：效应越大，统计效力越高。例如，Cohen's d 或相关系数等指标可量化效应大小。

样本量（n） ：样本量越大，统计效力越高。实际操作中常通过样本量规划确定所需样本量。

显著性水平（α） ：α越小（如0.01），统计效力可能降低，因为需要更强的证据拒绝零假设。

测试方向（One-sided vs. Two-sided） ：单侧检验的统计效力通常高于双侧检验，因为检验范围更集中。

四、实际应用中的意义

样本量规划 ：统计效力分析常用于实验设计阶段，通过目标效力反推所需样本量，避免因样本不足导致检验失效。

结果解释 ：高统计效力（如 $1 - beta > 0.8$）表明结果更可靠，但低效力可能提示需要增加样本量或改进研究设计。

五、示例说明

假设某药物试验中，原假设为“药物无效”（H₀），备择假设为“药物有效”（H₁）。若实际药物有效但样本量不足，可能导致统计效力低下，即使效应大小显著，仍可能因随机误差未能拒绝零假设。

综上，统计效力是评估假设检验可靠性的关键指标，需在实验设计阶段通过合理规划样本量、效应大小和显著性水平来优化。