在统计学中，我们常常利用样本数据来推论总体情况。这其中，假设检验是一个重要环节。我们首先会提出一个原假设（H0），并伴随一个备选假设（Ha），其与原假设相反。接下来，通过分析样本数据，我们可以判断是否应拒绝原假设。若样本数据表明原假设可能不成立，那么我们倾向于接受备选假设。
请牢记这一检验的效力概念，即在原假设不正确的情况下，我们有多大的可能性能够拒绝它。这可以理解为检验在应该拒绝原假设时的能力。当原假设实际上不正确时，如果检验有很高的效力，那么我们更有可能拒绝原假设。
功效与第二类错误率息息相关（功效 = 1 - 第二类错误率）。第二类错误率是指当备选假设实际上正确时，我们却未能拒绝原假设的概率。为了确保我们得到准确的结果，我们必须保证检验的功效足够高，即第二类错误率可以接受的低水平。
要确保检验具有足够的效力，常用的方法是收集足够多的数据，因为数据的数量对功效的计算有着直接的影响。数据量越大，我们的检验效力就越高。反之，如果数据量不足，将可能导致低效力和大量的第二类错误。
在统计检验中，确定合适的样本量至关重要。若样本量不足，将可能导致更多的第二类错误。收集“过多”的数据也可能导致第一类错误增加，因为过高的检验效力可能会捕捉到微小的、实际意义不大的差异，尤其是在考虑抽样成本时。我们在进行检验效力的计算时，应该以实际意义为依据。
值得提及的是，MINITAB软件为我们提供了多种统计检验的效力计算功能。
在以下示例中，Minitab被用于单比率检验和单样本t检验的功效及样本量分析。
单比率检验的样本数量分析
考虑一个制造过程中产品的分类问题，其中不良品率为1%。当不良品率上升到3%时，将对造成严重的成本问题。为了确定合适的样本量以检测出不良品率从1%上升到3%或更高的变化，我们需要设定第一类错误率为0.05和功效为0.80。此时的分析人员选择了单比率检验。其原假设和备选假设分别为：
Ho: P = 0.01（实际缺陷比率）
Ha: P > 0.01
分析人员利用Minitab进行单比率检验的功效及样本量分析，以确定达到所需功效所需的数据点数量。
单样本t检验的样本数量分析
将产品简单分类为好或坏可能丧失了大量信息。单样本t检验允许我们检验总体均值是否与目标一致。当样本均值接近目标时，我们可以认为生产过程运行良好；当不接近时，可能需要调整生产过程以减少缺陷品产出。Minitab的t检验功能也可用于进行样本量的分析来验证是否能够检测到至少80%的功效的过程均值中的1西格玛偏移。
值得注意的是，属性数据的假设检验与连续数据的假设检验在所需样本量上存在显著差异。属性数据通常需要大量样本以确保数据的可靠性，而连续数据则可以通过详细信息的收集和使用来减少对大量样本的需求。这一原则不仅适用于功效的计算，同样也适用于其他统计推断如置信区间、属性一致性分析等。
进行具有足够功效的假设检验至关重要，它为我们提供了检测差异的合理机会。Minitab等统计软件为我们提供了强大的工具来计算和分析这些统计检验的效力。