So planen Sie eine Studie 01 Wählen Sie den Test, der zum Design passt. Zwei unabhängige Mittelwerte sind tTwo; gepaarte Messungen sind tPaired mit d<sub>z</sub>; Anteile sind propTwo mit h. 02 Wählen Sie, was Sie lösen wollen. Power, N oder Effekt — die anderen beiden müssen geliefert werden. 03 Geben Sie den Effekt in den Einheiten des Tests ein. d = 0.5 ist eine halbe Standardabweichung; h = 0.541 ist eine arcsin-transformierte Anteilsdifferenz. Das Panel rechnet zwischen Konventionen um (d ↔ r, η² ↔ f, Anteile ↔ h), damit der Effekt in der Form angegeben werden kann, die Ihre Quelle verwendet. 04 Setzen Sie α, Seiten und Korrektur. Zweiseitiges α = 0.05 ist die Voreinstellung; eine Bonferroni- oder Šidák-Korrektur über k Vergleiche wird auf das effektive α vor der Power-Berechnung angewendet. 05 Lesen Sie die Verteilungskarte. Power, N (aufgeteilt in n₁ und n₂), kritischer Wert, df und der Nichtzentralitätsparameter δ werden alle ausgegeben — das macht die Zahl prüfbar.
Durchgerechnete Auswertungen
Design · Eingabe
Ausgabe
Zwei-Stichproben-t, d = 0.5, α = 0.05, 80 % Power, zweiseitig
N = 128 (64 + 64), Power 80.146 % , kritisches t 1.978971 , df 126 , δ 2.82843
Dasselbe Design, einseitig
N = 101 (51 + 50), Power 80.241 % , kritisches t 1.660391 , df 99
Dasselbe Design bei N = 100
Power 69.689 % (δ 2.5 , kritisches t 1.984467 , df 98 )
Effekt bei N = 100 lösen
minimal erkennbares d = 0.56588
Ziel 90 % Power
N = 171 (86 + 85), δ 3.26912
d = 0.2 statt 0.5
N = 787 (394 + 393)
Bonferroni über 2 Vergleiche
effektives α 0.025 , N = 155 (78 + 77)
Zwei Anteile, h = 0.541
N = 108 (54 + 54)
A/B: 120/1000 gegen 150/1000
z 1.96305 , p 0.04964 , signifikant; Post-hoc-Power bei beobachteten Raten 50.203 % ; N für 80 % Power bei diesen Raten 2036 pro Gruppe
Warum die Antwort aus einer nichtzentralen Verteilung kommt Unter der Nullhypothese folgt die Zwei-Stichproben-t-Statistik einer zentralen t-Verteilung mit 126 Freiheitsgraden, und der Test lehnt ab, wenn |t| 1.978971 übersteigt. Unter der Alternative folgt sie einer nichtzentralen t mit denselben df und einer Nichtzentralität δ = d·√(n₁n₂/(n₁+n₂)) = 2.82843 bei d = 0.5 und 64 pro Arm. Power ist die Wahrscheinlichkeit, dass eine Ziehung aus dieser verschobenen Verteilung jenseits des kritischen Werts landet — 80.146 % . Nichts an der Berechnung ist eine Faustregel: Sie integriert die nichtzentrale Dichte, und das Panel gibt δ und den kritischen Wert aus, damit das Ergebnis reproduziert werden kann.
Dieselbe Maschinerie invertiert in die anderen beiden Richtungen. Um N zu finden, erhöht der Solver n, bis die nichtzentrale Wahrscheinlichkeit die Zielmarke überschreitet; der Sprung von 128 auf 171 Beobachtungen für 90 % Power ist der Preis der zusätzlichen Sicherheit. Um den minimal erkennbaren Effekt zu finden, sucht er den Effekt, der bei festem N genau die Ziel-Power ergibt; bei N = 100 ist das d = 0.56588 , das Design kann den d = 0.5-Effekt, für den es dimensioniert wurde, also nicht zuverlässig sehen. Die einseitige Zeile zeigt den Hebel einer gerichteten Hypothese: dieselbe 80 % Power braucht 101 Beobachtungen statt 128, und eine Bonferroni-Korrektur über zwei Vergleiche hebt N auf 155 .
Grenzen und Randfälle
Power ist eine Eigenschaft des Designs, nicht der Daten. Die Zahlen beschreiben die Wahrscheinlichkeit eines zukünftigen Experiments unter einem angenommenen Effekt; sobald die Daten vorliegen, ist Power keine Statistik, die man beobachten kann. Die Post-hoc-Zahl der A/B-Ansicht ist eine Diagnose, kein Beleg.
Jede Antwort erbt den angenommenen Effekt und die Verteilung. d = 0.5 aus einer Pilotstudie ist eine Schätzung mit eigener Unsicherheit; der Zwei-Anteils-Test nimmt die Arcsin-Approximation an, und exakte Binomial-Power existiert für kleine Ein-Anteil-Studien, wo Diskretion zählt. Was es nicht tut. Es führt keinen Hypothesentest auf Ihren Daten aus, passt kein Modell an und korrigiert nicht für Clusterbildung und fehlende Werte. Testen Sie echte Stichproben in Hypothesis Tests , fassen Sie sie in Descriptive zusammen und überwachen Sie einen laufenden Prozess mit dem SPC panel .
Die Falle mit der beobachteten Power Das A/B-Beispiel ist die Falle in einer Tabelle: 120/1000 gegen 150/1000 ergibt z = 1.96305 und p = 0.04964 , signifikant bei α = 0.05, doch die Post-hoc-Power bei diesen beobachteten Raten ist nur 50.203 % — ein Münzwurf. Das Ergebnis ist nicht falsch; es ist zerbrechlich. Post-hoc-Power so zu zitieren, als hätte sie den Befund validiert, verwechselt die Wahrscheinlichkeit der Daten unter der Null mit der Wahrscheinlichkeit einer zukünftigen Studie. Der ehrliche Schritt ist, die nächste Studie zu dimensionieren: Bei diesen Raten braucht 80 % Power 2036 pro Gruppe.
Die zweite Falle sind die Einheiten des Effekts. d = 0.5 und h = 0.541 sind beide nach ihren Konventionen „mittel", aber nicht austauschbar; eine Umrechnung auf den falschen Test ändert das nötige N. Die dritte ist die Diskretion: Für das exakte Binomialbeispiel mit n = 30, p₀ = 0.25 und p₁ = 0.5 lässt das nominelle α = 0.05 nur den ganzzahligen Ablehnungsbereich X ≤ 2 oder X ≥ 13 zu, dessen tatsächliche zweiseitige Größe α = P(X ≤ 2 oder X ≥ 13 | p₀) = 0.032190 ist und dessen Power die Wahrscheinlichkeit desselben Bereichs unter p₁ = 0.5 ist, 81.920 % . Wenn n klein ist, lesen Sie das tatsächliche α, nicht das eingegebene.
Wo es seinen Platz verdient Ein Zwei-Arm-Experiment dimensionieren Für einen Halbe-Standardabweichung-Effekt, zweiseitig bei 80 % Power, lautet die Antwort 128 Beobachtungen; die Verdopplung der Sicherheit auf 90 % kostet 171 , und die Korrektur für zwei Vergleiche kostet 155 . Jede Zahl kommt mit ihrem δ und kritischen Wert, damit eine Prüfperson die Arithmetik nachvollziehen kann.
Ein unterpowertes Ergebnis richtig lesen Ein Pilot mit 50 pro Arm und d = 0.5 hat Power 69.7 % , also ist ein nicht signifikantes Ergebnis kein Beleg für keinen Effekt — es ist das erwartete Resultat in drei von zehn Läufen. „Effekt lösen" macht daraus eine konkrete Aussage: Der Pilot kann nur d = 0.566 und darüber zuverlässig erkennen.
Datenschutz Alle Power-Berechnungen, Kurven und A/B-Ergebnisse werden in Ihrem Browser berechnet; nichts wird hochgeladen.
Quellen
Wikipedia, Power of a test , en.wikipedia.org (访问日期:2026-10-07)— Power, β und die Design-Interpretation.
Wikipedia, Noncentral t-distribution , en.wikipedia.org (访问日期:2026-10-07)— die verschobene Verteilung hinter der t-Test-Power.
Wikipedia, Sample size determination , en.wikipedia.org (访问日期:2026-10-07)— Power-Inversion für N und Effektstärke.
Wikipedia, Bonferroni correction , en.wikipedia.org (访问日期:2026-10-07)— die auf α angewendete Multiplizitätskorrektur.
G*Power (Faul et al., 2007), psychologie.hhu.de (访问日期:2026-10-07)— das Referenzwerkzeug für Power-Analysen mit nichtzentralen Verteilungen.
Calculators in this hub
Hand-picked tools, one click away. The mini versions compute live and carry your values into the full calculator.
Sources & review
Updated 2026-10-07