python機器學習生物信息學系列課（博主錄制）：
http://dwz.date/b9vw
效應量可以表示兩組樣本平均數的差異
效應量可以用d表示，其公式
觀察實驗組和對照組，效應量越大，兩組平均數越遠，差異越大
效應量不受樣本容量的影響。當樣本容量大得到顯著時，有必要報告效應量大小。
效應量太小，意味着處理即使達到了顯著水平，也缺乏實用價值。
在一般統計分析中，一般我們只報告統計量F或t值，與p-value；實際上這些統計量對數據的描述只是描述了一小部分；傳統的描述還應包括樣本量，樣本均數與標准差；但這些傳統的描述量基本只是對單變量分布的描述，而對兩組變量或處理效應的描述，則用effectsize更加直觀。它在平均數檢驗中表示的是兩組樣本分布的總體的非重疊程度；ES越大，重疊程度越小，效應明顯；ES越小則相反。可以這樣理解，不管你取哪種樣本，ES是作為為一種標准的均數差異的估計，它與當前樣本無關。顯然，傳統的推斷統計量F及p-value只是說明均數差異，但這種差異脫離樣本推廣到不同的抽樣群體，差異究竟有多大，需要用ES來描述。（可以這樣來形容F值與ES值：F值表示的是樣本1與樣本2之間的顯著性；而ES值是表示在樣本1的總體與樣本2的總體中隨便抽取兩個樣本，這種差異顯著性出現的可能性）。
不同檢測中，效應量量化程度不同
python金融風控評分卡模型和數據分析微專業課（博主親自錄制視頻）：http://dwz.date/b9vv
