Statistisk styrkeräknare
Beräkna den statistiska styrkan för ett hypotestest utifrån effektstorlek, stickprovsstorlek och signifikansnivå. Använd den vid planering av experiment för att säkerställa att du har tillräckligt många deltagare för att upptäcka en verklig effekt.
Last updated: May 2026
Om denna räknare
Statistisk styrka (1 − β) är sannolikheten att ett test korrekt förkastar en falsk nollhypotes. Den beror på tre faktorer: signifikansnivå α, effektstorlek (Cohen's d) och stickprovsstorlek per grupp. För ett tvåsidigt z-test beräknas det kritiska z-värdet från α (t.ex. z = 1.96 för α = 0.05 tvåsidigt), varefter ett beta-z-värde beräknas som: β_z = z_critical − d × √(n/2). Styrkan är sedan 1 minus den kumulativa normalsannolikheten vid β_z. Större effektstorlekar och större stickprov ökar båda styrkan. Det konventionella målet är 0,80, vilket innebär 80% chans att upptäcka en verklig effekt. En styrkeanalys innan datainsamling förhindrar underbemannade studier som slösar resurser och ger otydliga resultat.
Hur du använder den
Anta att du förväntar dig en medelstor effektstorlek med Cohen's d = 0,5, planerar n = 64 deltagare per grupp och använder α = 0,05 (tvåsidigt). Steg 1: kritiskt z = 1,96. Steg 2: β_z = 1,96 − 0,5 × √(64/2) = 1,96 − 0,5 × 5,657 = 1,96 − 2,828 = −0,868. Steg 3: Styrka = 1 − Φ(−0,868) ≈ 1 − 0,193 = 0,807, dvs. ungefär 80,7 %. Detta uppfyller det konventionella tröskelvärdet på 0,80 och bekräftar att stickprovsstorleken är tillräcklig.
Vanliga frågor
Vilken statistisk styrkenivå är lämplig för en forskningsstudie?
Det allmänt accepterade minimikravet är 0,80 (80 %), vilket innebär att studien har 80 % chans att upptäcka en verklig effekt om en sådan finns. Många tidskrifter och finansieringsorgan kräver detta tröskelvärde innan en studiedesign godkänns. Medicinsk forskning och säkerhetsstudier med höga insatser siktar ofta på 0,90 eller högre för att ytterligare minska risken för falskt negativa resultat. En styrka under 0,80 tyder på att studien sannolikt är underbemannad och kan missa verkliga skillnader även när de finns.
Hur påverkar effektstorleken den statistiska styrkan vid hypotestestning?
Effektstorlek (Cohen's d) mäter hur stor den verkliga skillnaden mellan grupper är i förhållande till variabiliteten. Större effektstorlekar gör det lättare att upptäcka verkliga effekter, vilket direkt ökar styrkan. Ett d på 0,2 anses litet, 0,5 medelstor och 0,8 stort. Om du förväntar dig en liten effekt behöver du ett avsevärt större stickprov för att upprätthålla samma styrkenivå jämfört med en studie med en stor förväntad effekt.
Varför ökar statistisk styrka när stickprovsstorleken ökar?
Ett större stickprov minskar medelvärdesfelets standardfel, vilket gör samplingfördelningen smalare och gör det möjligt för mindre verkliga effekter att sticka ut från det slumpmässiga bruset. I styrkeformeln ingår stickprovsstorleken under en kvadratrot: d × √(n/2), så styrkan växer med kvadratroten av n. Att fördubbla stickprovsstorleken fördubblar inte styrkan, men driver den pålitligt närmre 1. Det är därför styrkeanalys genomförs innan datainsamling — för att fastställa det minsta n som behövs.