!!!効果量
{{outline}}
----
!!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=
{{pre
## 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

!!サンプルサイズの決め方
https://psych.or.jp/publication/world085/pw15/