Power功效分析常用于实验研究时样本量的计算（或功效值计算），如果是涉及广义模型时的回归系数差异计算时，SPSSAU共提供二元logit回归和Poisson回归情况时的Power功效分析，具体如下表格所述：

比如二元Logit回归时，对比某个自变量X回归系数的差异情况，此时则使用‘二元Logit回归’，当然如果研究时使用的是Poisson回归，也是对比某X回归系数的差异情况，此时使用‘Poisson回归’。

SPSSAU进行功效分析时，共包括两项功能，分别是计算样本量和计算功效Power值，具体涉及到Power功效原理，可查阅‘Power原理’内容。接下来以‘二元Logit回归’为例具体讲解操作，如下所述：

• 1、关于分析Power值

  

  上图中目的在于计算Power值，其研究二元Logit回归时，某变量的回归系数是否明显与某数字有明显差异性。图中显示alpha值为0.05，并且二元Logit回归时得到X的回归系数是0.2，其需要与0.15进行对比。与此同时，二元Logit回归模型时还有另外的变量，另外的变量对于X进行线性回归时得到的R 方值为0.3。并且X的分布基于正态分布前提，除此之外，当前是基本30个样本量进行二元Logit回归，最终结果如下所示：

  

  计算结果显示，基于I类错误为0.05，线性回归样本量为30时，最终得到Power值为0.070，即不犯II类错误的概率是7%，即说明仅有7%的把握‘错的说成错的’。说明当前较小的回归系数差异(0.2和0.15)，在30个样本时的Power功效能力非常弱。

• 2、关于分析样本量

  

  上图中目的在于计算样本量，研究基于alpha值为0.05，Power为0.8，并且二元Logit回归时X的回归系数是0.2（其需要与0.15进行对比），与此同时，二元Logit回归的其它自变量对于X做线性回归时的R 方值是0.3，且X假定为正态分布前提时。最后点击开始分析即可，结果如下:

  

  计算结果显示，基于I类错误为0.05，II类错误为0.2，Power值为0.8前提下，要想达到上述研究具有科学判断性，此时在样本量为1150.880即向上取整为1151个样本时，该研究才能具有0.8的功效能力，即需要很大的样本量才能较为敏锐的检测出0.05的回归系数差异。

• 1、剖析

  • 涉及以下几个关键点，分别如下：

  • SPSSAU中进行二元Logit回归或者Poisson回归时的Power功效分析时，其涉及到的参数较多，包括回归系数，其它的变量对研究项做回归时得到的R 方值，以及X的分布假定情况等，建议研究者提前作好参数准备。

• 2、疑难解惑

  • 如何理解alpha值和power值？

  • I型错误研究‘对的说成错的’的概率，一般最大取0.05，那么此0.05即为alpha值即显著性水平值。II型错误研究‘错的说成对的’的概率，一般最大取0.2，那么此0.2即为beta值，那么Power值=1-beta值即0.8，其则表示为‘错的说成错的’的概率。

  • 更多关于Power功效的原理，可具体参考‘Power原理’帮助手册。