您有没有碰到过这样的问题，文章在投稿后，评审专家让您提供Effect Size(效应量)。相信大多数临床医生的表情都是下面这样的。
“笑音量?你说笑……笑啥?!”
无论是我们在进行一个相关性分析时，还是比较组间某一个指标绝对值高低、发生率高低的差异时，我们都习惯了上来就报告p值和统计量。其实这个时候我们已经忽略了一个重要的内容：我们关注了是否存在【效应】(效应是否有统计学意义)，但存在的效应真的【有价值】?真的足够【有临床意义】么?
因此，当我们转换身份成为一个读者的时候，我们除了知道【有没有差别】，还一定想知道【到底差多少】。而后面这个差多少，其实就是效应量。因此我们不难理解，所谓的效应量(也就是效应大小)，其实对应着一个真实的差异或者关联，效应量就是这种真实差异或关联的强度。
比如在这个图中，a、b两个情况下，都有统计学差异。但是到底a的效应更有实际意义，还是b的效应更有实际意义呢?显然是b，也就是b的效应量更大。
也许你觉得好像得到了什么?但是也好像什么也没得到。对了，这感觉就是效应量，效应量就是一个这么抽象的东西。效应量不是一个单一的指标，而是一种真实的差异，这种差异需要通过一些指标(能够反应效应量的指标)来体现。让我们来举个例子：
我们想知道吃不吃维生素对孩子身高的影响。这里面因素是吃/不吃维生素，效应是组间身高的差别。这里面效应量是什么呢?一定是能够反应身高差别的指标啦!但是身高差别都需要什么指标来评价呢?真的只有比较均数么?到底都有哪些指标可以反应组间身高的差别呢?
1、身高均值之差：反应组间集中趋势的差异，最简单粗暴的指标，在实际情况下，身高通常符合正态分布，因此均值之差也是我们衡量的首选效应量。
2、身高变异系数之差：变异系数CV反应的是身高的变异，说白了就是看我们这一组孩子是不是高的高矮的矮。变异系数越小，说明大家的身高差不多。维生素到底是不是会影响到身高的变异情况呢?这个还真没准儿。
3、身高离群值下限之差：反应的是到底是哪一组矮的更厉害。其实补充维生素这类的物质，未必对全人群有效啊，不缺维生素的孩子，多不了可能并不会长得更高。而对于那些却维生素的孩子，补了效果更明显。所以嘛，谁知道到底是不是真正的效应在矮个子里面?
……
虽然这里只是粗暴的打了个比方(各位统计学大拿请随意打脸)。不过，看到这里您一定会明白了，所谓的效应量并不是一个唯一的参数，而且有时候在我们做研究之前也未必完全想清楚了(当然我们希望大家先想清楚)。所谓的效应量，可以理解为真实存在的某种差异，而我们是通过找到合适的效应量评价指标，来说明真实的效应到底有多大。上面的指标只是给大家看看玩儿的，当然对于医学研究，绝大多数的研究中的效应量就是真实的差值(均数差)，或者是RR、OR、HR、相关系数、R²……等等。对于一些比较抽象的指标，我们可能无法直观的比较均数差，比如量表的结果。对于这类指标，不同量表可能差值没法直接比较，因此我们就需要得到一些去掉工具影响的大小，这时就需要一些特定的效应量指标来帮助我们了。常见的指标有以下这些。
计算方法可以参考如下的公式：
参考文献：
1. 卢谢峰, 唐源鸿, 曾凡梅. 效应量:估计、报告和解释[J]. 心理学探新, 2011, 31(3):260-264.
2. 郑昊敏, 温忠麟, 吴艳. 心理学常用效应量的选用与分析[J].心理科学进展, 2011, 19(12):1868-1878.