效应值

在统计学中，效应量是衡量总体中两个变量之间关系强度的值，或者是该数量的基于样本的估计值。 它可以指从数据样本计算得出的统计值、假设总体的参数值，或者指代计算统计或参数如何得出效应大小值的方程式。 效应大小的示例包括两个变量之间的相关性、回归中的回归系数、平均差或特定事件（如心脏病发作）发生的风险。 有效值补充了统计假设检验，并在功效分析、样本量规划和荟萃分析中发挥重要作用。 关于影响大小的数据分析方法的集群被称为估计统计。

效值是评估统计声明强度时必不可少的组成部分，它是 MAGIC 标准中的xxx项（量级）。 效应大小的标准偏差至关重要，因为它表明测量中包含多少不确定性。 太大的标准偏差会使测量几乎没有意义。 在荟萃分析中，其目的是组合多个效应量，效应量的不确定性用于衡量效应量，因此大型研究被认为比小型研究更重要。 对于每种类型的效应量，效应量的不确定性计算方式不同，但通常只需要知道研究的样本量 (N)，或每组中的观察次数 (n)。

在展示许多领域的实证研究结果时，报告效应量或其估计值被认为是一种很好的做法。 与其统计显着性相比，效应大小的报告有助于解释研究结果的重要性。 疗效在社会科学和医学研究（治疗效果的大小很重要）中尤为突出。

效率可以用相对值或xxx值来衡量。 在相对效应量方面，两组直接相互比较，如比值比和相对风险。 对于xxx效应量，较大的xxx值总是表示较强的效果。 许多类型的测量可以表示为xxx的或相对的，并且这些可以一起使用，因为它们传达不同的信息。

与统计估计一样，真实的效果大小与观察到的效果大小不同，例如 要测量人群中的疾病风险（人群效应量），可以测量该人群样本中的风险（样本效应量）。 描述真实和观察到的效应量的惯例遵循标准的统计实践——一种常见的方法是使用希腊字母，如 ρ [rho] 来表示总体参数，并使用拉丁字母，如 r 来表示相应的统计量。

与任何统计设置一样，效应量是根据抽样误差估算的，并且可能存在偏差，除非所使用的效应量估算器适用于数据采样方式和测量方式。

这方面的一个例子是发表偏差，当科学家仅在估计的效应量很大或具有统计显着性时才报告结果时，就会发生这种情况。 因此，如果许多研究人员进行统计功效较低的研究，则报告的效应量往往会大于真实（人口）效应（如果有的话）。 另一个影响大小可能被扭曲的例子是在多次试验中，其中效果大小的计算基于试验中的平均或汇总反应。

与大型研究相比，小型研究有时会显示不同的、通常更大的效应量。 这种现象被称为小型研究效应，这可能预示着发表偏倚。

基于样本的效应量与假设检验中使用的检验统计量不同，因为它们估计例如明显关系的强度（量级），而不是分配反映观察到的关系量级的显着性水平。