嘿，这个问题在统计研究设计里太常见了——卡方检验的样本量计算确实绕不开效应量，毕竟它直接决定了你要检测的组间差异到底有多大量级。别慌，我给你拆解几个实用的解决思路：

1. 先搞懂卡方检验的核心效应量：Cohen's w #

卡方检验里最常用的效应量是Cohen's w，它衡量的是分类变量之间关联强度的大小。如果没有具体的预期差异，行业通用的基准可以直接用：

• 小效应: w ≈ 0.1（关联很弱，需要大样本才能检测到）
• 中等效应: w ≈ 0.3（关联强度中等，大部分社会科学、医学研究常用这个基准）
• 大效应: w ≈ 0.5（关联很强，小样本就能检测到）

这些数值是统计学家Cohen提出的通用参考，适合在没有前置数据时做保守估计。

2. 用统计工具计算样本量 #

有了效应量之后，不管是代码还是可视化工具都能快速算出样本量：

用R语言（pwr包） #

R的pwr包专门做功效分析，代码非常直观。比如假设你要做2x2列联表的卡方检验（自由度df=(2-1)*(2-1)=1），取中等效应w=0.3，α=0.05，功效0.8：

# 安装并加载包
install.packages("pwr")
library(pwr)

# 计算样本量
pwr.chisq.test(w = 0.3, df = 1, sig.level = 0.05, power = 0.8)

运行后会输出每组的样本量（或者总样本量，看函数输出），这里大概是每组44，总样本量88左右。

用SPSS #

SPSS自带样本量计算模块：

• 点击「分析」→「样本量计算」→「卡方检验」
• 输入显著性水平α=0.05、检验功效0.8，然后填入你选的Cohen's w值（或者直接输入预期的单元格频数来自动计算效应量）
• 软件会直接给出所需样本量

3. 用前置数据/文献估算真实效应量 #

如果能拿到预实验数据、类似研究的结果，就能算出更贴合你研究的效应量：

• 如果你有预实验的卡方结果，直接用公式计算Cohen's w：w = sqrt(χ² / n)，其中χ²是预实验的卡方统计量，n是预实验的样本量。
• 如果有类似研究的列联表数据，也可以直接提取单元格比例，代入Cohen's w的公式计算（公式是w = sqrt(sum((O-E)²/(E*N)))，O是观测频数，E是期望频数，N是总样本量）。

4. 保守估计的策略 #

如果完全没有任何前置信息，建议优先用**中等效应量（w=0.3）**来计算样本量——这是一个平衡了检测能力和样本成本的稳妥选择。如果你的研究资源充足，也可以考虑按小效应量计算（避免漏掉弱关联），但那样样本量会大幅增加（比如2x2表小效应w=0.1时，总样本量需要近800）。

内容的提问来源于stack exchange，提问作者todlerR