Thesis两组比较样本量计算器（功效分析）
输入预期效应量（或两组预期比例），几秒钟算出实验组 vs 对照组每组该收多少人——开题答辩最常被问「样本量的依据是什么」，凭感觉定 30 人/组而不做功效分析是设计章的高频硬伤。纯浏览器本地计算、数据不上传，免注册、完全免费。
免注册 · 公测期免费 · 数据留在你的浏览器本地
为什么样本量值得在开题阶段先算一遍
「样本量是怎么定的」是实验/干预类论文开题与评阅的必问项；「参考以往研究取 30 人/组」不是依据。功效分析用预期效应量、显著性水平与统计功效反推每组所需人数，是方法章写「样本量依据」的规范做法。
按正态近似 n = 2×((z₁₋ₐₗₚₕₐ₋₂+z_power)/效应量)² 计算每组样本量，与 Python statsmodels 的 NormalIndPower 一致；均值比较用 Cohen’s d，比例比较输入两组预期比例自动换算 Cohen’s h。
同时给 80% 与 90% 两档功效下的每组人数、考虑流失率的上浮建议与效应量取值指引（小 0.2/中 0.5/大 0.8），并给出可直接写进开题报告与方法章的句式。
计算在你的浏览器里完成，数据不发送到服务器，不调用 AI，随时可以换一组参数重算。
怎么用（3 步）
- 在输入框填预期效应量：均值比较填一个数（Cohen’s d，如 0.5）；比例比较填两组预期比例（0-1 之间的两个数，如「0.6 0.4」），工具自动换算 Cohen’s h；
- 选择显著性水平 α（0.05/0.01）与统计功效（80%/90%），点「计算所需样本量」；
- 把结果句式一键复制进开题报告或方法章，正式设计建议再用 G*Power/PASS 复核一遍。
常见问题
计算用的是什么方法？
两独立组比较的正态近似公式：每组 n = 2×((z₁₋ₐₗₚₕₐ₋₂ + z_power)/ES)²，向上取整——均值比较 ES 用 Cohen’s d，比例比较 ES 用 Cohen’s h = 2arcsin√p₁−2arcsin√p₂，与 statsmodels 的 NormalIndPower 口径一致。t 检验的精确功效分析（非中心 t 分布，如 G*Power）结果通常只相差 1-2 例。
预期效应量该怎么取？
优先用同主题已有研究报告的效应量或试点数据估算；没有依据时按 Cohen 惯例取小 0.2/中 0.5/大 0.8（d 与 h 同档），并在开题报告里写明取值来源。注意效应量取得越小，所需样本量越大——用「大效应」凑小样本量而无文献依据，评阅人会追问。
结果该怎么报告？
「基于功效分析，取显著性水平 α = 0.05（双尾）、统计功效 80%、预期效应量 Cohen’s d = 0.5，两组比较每组需 63 人；考虑 10% 流失率，计划每组招募 70 人」。这段话写进开题报告的样本量依据与论文方法章。
和问卷样本量计算器有什么区别？
问卷样本量计算器面向「调查估计」：按置信区间精度反推总样本量（如 95% 置信、5% 误差需 385 份），适用于现状调查；本工具面向「两组比较」：按检验功效反推每组人数，适用于实验组 vs 对照组、干预前后对照等假设检验设计。设计不同，公式与结果都不同。
我的数据会被上传吗？
不会。计算完全在你的浏览器本地完成，任何数据都不发送到服务器，也不调用 AI 服务。
样本量定好了，开题与方法章一站写完
工作台覆盖选题→开题→大纲→分章写作→文献→自查→导出全流程：把功效分析结果挂进对应章节让 AI 严格依据设计成文，不编造数字，全程免注册、免费。
免费打开工作台