*disclaimer
350106
効果量
効果量、サンプルサイズ、有意水準、検定力
検定をして有意：そうなる確率は低い：そうじゃないんじゃないか、と考える
そうなる：「帰無仮説」：結局捨てる仮説：言いたいことと逆の仮説
有意になる確率：
サンプル数が多くなればなるほど、p値は、小さくなる。
有意になる確率が高くなる
p値は、サンプルサイズに反比例
「平均の差を」標準化した指標：効果量
標準偏差と平均値
平均値から、標準偏差いくつ分離れているか
効果量１であれば、1SD分だけ離れている。
d=0.3 効果量小さい＝実質的な差は小さい
理想は、実質的な差を示す効果量大、かつ、統計的に有意差あり
有意水準0.05
ふつう起こりえない確率
見方を変えると、
ふつう起こりえない確率：でも絶対起きないわけではなく、
その確率の分だけはおきてしまうことがありうる。
起きないはず、なのに、起きることがある。
起きないと思っているのに、それが起きてしまう確率。
それが起きてしまう：間違えてしまう。
何を間違えるか
差がある、と結論付けてしまうのだが、
実は、差がなかった、という間違い
α：Type I error
逆の間違いも考えられる
実は差があるのに、差はないと間違えてしまう
β：Type II error
この間違いの水準は、0.2 （20％)に設定されることが多い。
検定力：間違いなく判断できる確率
1 - β に設定されることが多い（Cohen 1988が推奨）
βは通常、0.2、ということは、検定力は 0.8
検定力が0.8というのは、βが0.2ということ、つまり、
「差があるのに、差はないと間違えてしまう」確率が20%ある。
通常、検定では以下の三つが決まっている
有意水準 0.05
β 0.2
検定力 0.8
あとは、サンプルサイズと効果量を考える必要がある。
サンプルサイズが小さいと検定力が下がる
サンプルサイズが大きいと検定力が上がる
検定力が下がると、βが大きくなる。
＝差があるのに、ないと思ってしまいがちになる
検定力が上がると、βが小さくなる。
＝差が無いのに、あると思ってしまいがちになる
★検定力は上がればよいわけではないというところが混乱の原因
豊田 2009:35
望ましいのは、サンプルサイズは小さく、かつ、検定力を大きく。
事前に、有意水準、検定力、効果量をきめて、サンプルサイズを求める。
事後で、有意水準、効果量、サンプルサイズから、検定力を調べる。
pwr
https://cran.r-project.org/web/packages/pwr/vignettes/pwr-vignette.html
power.t.test(n=
## power.t.test()
```
power.t.test(n = NULL,
delta = NULL,
sd = 1,
sig.level = 0.05,
power = NULL,
type = c("two.sample", "one.sample", "paired"),
alternative = c("two.sided", "one.sided")
)
```
### 最低限必要な項目
```
power.t.test(n = NULL,
delta = NULL,
power = NULL,
)
```
### 効果量大 0.8 にするには
```{r}
power.t.test(n = NULL,
delta = 0.8,
power = 0.8
)
```
判断目安
https://kyoto-edu.sakura.ne.jp/?&course=statistics&content=effectSize
https://sugiura-ken.org/wiki/