效應值

在統計學中，效應值（Effect size）是量化現象強度的數值。效應值實際的統計量包括了二個變數間的相關程度、迴歸模型中的迴歸係數、不同處理間平均值的差異……等等。無論哪種效應值，其絕對值越大表示效應越強，也就是現象越明顯。效應值與特效檢驗的概念是互補的。在估算統計檢定力、需要的樣本數與進行元分析時，效應值經常扮演重要角色。

在研究結果中報導效應值被視為洽當的或必須的。相對於統計學上的顯著性，效應值有利於瞭解研究結果的強度。特別是在社會科學和醫學研究上，效應值更顯得重要。絕對與相對效應值可以傳遞不同的訊息，又可互相補充訊息。有個心理學的研究學會鼓勵學者報導效應值：

報告主要結果時必須一併報導效應值……如果測量值的單位在實際面上是有意義的（例如每人每日抽煙的香煙根數），則我們建議採用非標準化的效應值（例如迴歸係數或平均值差異）而非標準化的效應值（例如相關係數）。

在比較平均數的情況下，效應值經常指的就是實驗結束後，實驗組與控制組之間“標準化後的平均差異程度”，依照慣例，effect size=0.2可解讀為為差異程度小、=0.5為差異程度中等，=0.8為差異程度大。 ^[1] 

在統計學中，線性迴歸（Linear regression）是利用稱為線性迴歸方程的最小二乘函數對一個或多個自變量和因變量之間關係進行建模的一種迴歸分析。這種函數是一個或多個稱為迴歸係數的模型參數的線性組合。只有一個自變量的情況稱為簡單迴歸，大於一個自變量情況的叫做多元迴歸。（這反過來又應當由多個相關的因變量預測的多元線性迴歸區別，而不是一個單一的標量變量。）

在線性迴歸中，數據使用線性預測函數來建模，並且未知的模型參數也是通過數據來估計。這些模型被叫做線性模型。最常用的線性迴歸建模是給定X值的y的條件均值是X的仿射函數。不太一般的情況，線性迴歸模型可以是一箇中位數或一些其他的給定X的條件下y的條件分佈的分位數作為X的線性函數表示。像所有形式的迴歸分析一樣，線性迴歸也把焦點放在給定X值的y的條件概率分佈，而不是X和y的聯合概率分佈（多元分析領域）。 ^[1] 

在概率論和統計學中，相關（Correlation），顯示兩個隨機變量之間線性關係的強度和方向。在統計學中，相關的意義是用來衡量兩個變量相對於其相互獨立的距離。在這個廣義的定義下，有許多根據數據特點而定義的用來衡量數據相關的係數。 ^[1]