Power（统计功效）
关于power，我觉得下面这张图已经解释的很好了。
当 H0 是正确的时候，拒绝了H0，就是犯了第一类错误。当 H1 是正确的时候，拒绝了 H1，就是犯了第二类错误。然后相对应的，当 H1 是正确（H0是错误的时候）的时候，你接受了 H1（拒绝了H0），就是所谓的power（统计功效）了。
关于power的计算公式，我只是贴出来一下，大家考试的时候可以抄下，具体的我就不讲解了（当然，也是因为我不太懂power的具体计算╮（╯＿╰）╭）。
稍微注意的一点就是，如果是双尾的话，n 就变成了
就是 变成了
，当然，你看上面的公式也能算出来。
事实上，我们只需要知道的是，power，数据量，显著性水平（ 值），效应大小四者之间是息息相关的，也是相互制衡的。4个里面知道3个，就可以大致估计出剩下一个了。
R 里面能够计算power的包是pwr包，我们考试应该也会考到这个包的使用。我们具体来看下。
单样本的情况
已知样本的均值，标准差。我们假设的H1为 。如果我们想控制第二类错误为0.05，同时第一类错误为0.01**.那么我们需要多少样本量
# 第二类错误是0.05，那么统计功效就是0.95
# 已知了power，已知了第一类错误
# 已知了效应大小
pwr.t.test(d = (test4_mean - 118)/(test4_sd), sig.level = 0.01, type = "one.sample",power = 0.95)
##
## One-sample t test power calculation
##
## n = 646.0381
## d = 0.1664842
## sig.level = 0.01
## power = 0.95
## alternative = two.sided
需要注意的是，对于效应大小（Cohen's d），我们用的是样本均值减去假设的总体均值，再除以标准差。因为大家可以看到，pwr的计算无关乎样本信息，所以对于效应值，我们只有除以标准差，才可以变成一个可以在各种样本中都使用的值。
公式为
两样本的情况
两样本的话，跟单样本差不多。只不过需要注意两点
- type选择是paired 还是单纯的 two-samp。paired在其余条件相等情况下，power其实是更高的。
- 效应值的计算
的计算是
但在实际过程中，比较方便的计算是
另外需要注意的是，我们之前的pwr是针对两个样本是一样大小的，如果两个样本的样本量不一样大，就用 pwr.t2n.test
pwr.t2n.test(n1=, n2=, d=, sig.level=, power=, alternative=)
关于第一类错误，第二类错误，power等概念，大家有空可以去读一读《Fundamentals of Biostatistics》的213页左右。这本书真的很好，虽然我也没读几页。
当然，也推荐去读一读协和八公众号上的说人话的统计学系列，上面讲的也很清楚。
参考文章：
What Is And How To Calculate Cohen's d
非参数检验
之前的t检验等需要假定你的分布是正态分布。但如果不满足正态性的假设，我们就需要考虑非参数检验了。非参数检验通常检验的不是平均值，而是中位数，相比参数检验而言，比较的意义不是那么的明确。同时，非参数检验的power相比较而言，比较低。
关于非参数检验的方法，还是用一张PPT的图来表示：
但R里面的话，上面的非参数检验只要 wilcox.test() 一个函数就可以解决了
具体的操作相信大家在作业中都已经做过了，就不讲了。
稍微需要注意的一点是，非参数检验的原假设和备则假设是（双尾）
即上面我提到过的，是中位数不相等。
关于非参数检验，还是推荐去看看说人话的统计学系列。
多重矫正
其实一般来说，如果你做了多次的假设检验，就要考虑多重矫正的问题了。因为假设你单次检验的设定的阈值 是0.05，那么你做了5次检验后，至少会犯一次错误的概率就是
。可以看到这个概率是很大的。所以对p-value进行矫正还是很重要的。
这里还是不放上原理了（还是因为我太菜了，多重矫正的原理还是没有清楚）。
R里面的多重矫正还是一个函数p.adjust()就可以了：
p.adjust(p, method = p.adjust.methods, n = length(p))
里面的method只要根据题目变换就行了。反正考试常见的题型就是出个表达量矩阵，然后让你用t.test，得到了p-value之后，让你矫正下p.adjust。
