核心要点
定义功效 = 1 − β，正确拒绝 H0 的概率
知道影响功效的因素：效应量、n、α、方差
样本量规划直觉：能说明功效不足时应增加样本量、放宽显著性水平或降低噪声，而不是只看 p 值。
简要回答
统计功效是在备择假设为真时，检验正确拒绝 H0 的概率（1−β）；功效不足易漏检真实效应。
标准回答
一、先把概念边界说清楚
在 H₁ 为真时，检验拒绝 H₀ 的概率 = 1 − β（β 为 II 类错误 率）。
二、影响因素
（功效↑当）：
- 效应量 ↑（差异更明显）
- 样本量 n ↑
- 显著性水平 α ↑（更宽松阈值）
- 方差 σ² ↓（噪声更小）
- 单侧检验（相对双侧，同 α 下功效更高）
三、功效分析用途
- 实验设计：A/B 测试需多少用户才能检出 δ 提升？
- 事后解释：阴性结果可能是功效不足而非无效应
- 元分析：合并研究考虑各研究功效
面试里如果出现公式，建议先说 统计学术语「统计功效」指什么 解决的直觉问题，再解释变量含义和适用条件。最后补一个反例或边界，比如样本量不足、分布假设不成立、数值不稳定时应该怎么处理。
四、工具
G*Power、statsmodels.stats.power、pwr（R）。
与 置信区间 宽度互补：窄 CI + 高功效才更有说服力。
回答思路
【定义】用一句话说清「统计学术语「统计功效」」
【原理】讲清关键机制或步骤（2～3 点）
【例子】举一个真实项目、论文或产品中的例子
【对比】与易混淆概念或替代方案比较（如有）
【收尾】总结适用场景 + 一个局限或风险
常见误区
⚠️ 常见踩坑
误区一：容易答偏的地方：只罗列名词、不会举例；混淆相似概念；忽略工程约束（成本、延迟、数据质量）。不确定时应主动说明假设。
追问
追问 1：α 和 β 的权衡是什么？
固定 n 和效应，降低 α（更严）会降低功效、增大 β。Neyman-Pearson 框架在约束 α 下最大化功效。实践中常先定 α=0.05 再算所需 n。
追问 2：事后功效（post-hoc power）有什么问题？
观测到不显著后算功效常是循环论证（与 p 值信息重复）。更有用的是事前样本量计算或报告置信区间。
追问 3：ML 实验里的 power 怎么理解？
可类比：检出「模型 B 优于 A」的概率。需设定最小可接受提升 δ、重复次数、检验方法；否则容易因验证集太小而结论不稳。
🔗 相似问题
同一考点的不同问法，换着练更稳
延伸学习
按主题分类的相关资源，便于系统复习