统计分析师经常会被问到这样一个问题：“我的研究到底需要多少个受试者？”，或者换个说法：“对于我的研究，现有x个可用的受试者，这样的研究值得做吗？”，这类问题都可以通过功效分析来解决，它在实验设计中占有重要地位。
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的样本量。反过来，它也可以帮助我们再给定置信度水平情况下，计算在某样本量内能检测到给定效应值的概率。如果概率低得难以接受，修改或者放弃这个实验将是一个明智的选择。
之后的几篇文章中，将会逐步学习如何对多种统计检验进行功效分析，包括比例检验、t检验、卡方检验、方差分析、相关性分析，以及线性模型分析。由于功效分析针对的是假设检验，我们首先要简单回顾一些假设检验的基础知识；
相关阅读：《
用r语言做数据分析——假设检验基本概论
》
在研究过程中，研究者通常关注四个量：样本大小、显著性水平、功效和效应值：
样本大小指的是实验设计中每种条件/组中观测的数目；
显著性水平由第一类错误的的概率来定义，也可以把它看作是发现效应不发生的概率；
功效通过第一类错误减去第二类错误的概率来定义，我们可以把它看作是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。效应值的表达式依赖于假设检验中使用的统计方法。
虽然研究者可以直接控制样本大小和显著性水平，但是对于功效和效应值的影响却是间接的。例如，放宽显著性水平（换句话说，使得拒绝原假设更容易时），检验的功效便会增加。类似的，样本量增加，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。也就是说，最大化发现真实效应的概率，并最小化发现错误效应的概率，同时把研究成本控制在合理的范围内。
四个量（样本大小、显著性水平、功效和效应值）紧密相关。给定其中任意三个量，便可推算第四个量。
之后的文章将重点利用这一点进行各种各样的功效分析。