先明确概念，检验效能（Power）是指当备择假设为真时，拒绝原假设的概率。
举例：
想证明新药有效（而且确实有效，只是尚未被证实），统计上做这个证明的过程，是先假设新药无效，这个假设就叫原假设，用{$H_0$}表示；而“新药有效”即为备择假设，用{$H_1$}表示。如果统计分析（假设检验方法），能够证明{$H_0$}为假（注意：不是绝对的，是基于一定概率做出的这个推断），就能证明{$H_1$}为真（即接受“新药有效”这个结论）。
Power一般用{$1-\beta$}表示，{$\beta$}在上例中，就是新药真的有效，但统计上未能证明{$H_0$}为假的概率。
所以，对于上例，检验效能就是：新药有效而你还能证明它有效的概率。
统计的这种能力，与多个因素有关，包括进行假设检验时的显著性水平（{$\alpha$}），数据的变异程度、效应大小以及样本量的大小等等，本文简单介绍样本量大小对检验效能的影响。
先说结论：
1、保持其它条件不变，样本量越大，检验效能越高；
2、相同条件下，保持样本量不变，均衡性设计(1:1)方法，检验效能最高；采用2:1、3:1等非均衡性设计方法，组间样本量相差越多，检验效能越低（根据最优分配理论，通常1:1并非理论上的最优，但==在临床试验常见的组间比例中，1:1多数情况下是最优的==）。
以下是统计模拟的结果：
1、假设新药的真实有效率为80%，阳性对照的有效率为70%，采用均衡设计（两组样本量为1:1），进行差异性检验（即简单的卡方检验，目的是简化统计模拟的过程），检验水准设定为0.05。我们从每组30例开始，模拟到样本量500（每10例递增），每个样本量规模，我们模拟计算5000次，结果如下图所示：
2、固定总样本量600例/900例不变，采用1:1均衡设计，以及非均衡设计，包括：2:1，3:1，4:1，5:1，不同组间样本量比例的情况下，检验效能的变化如下图所示：
多写一点：
对于计量资料，如果同样是两组间的差异性检验，在数据服从正态分布、组间方差齐的情况下，均衡性设计也是最优设计，也即：相同条件下，总样本量固定，两组1:1时检验效能最高；保持检验效能不变，1:1的设计所需总样本量最小。
从模拟结果看，无论计量资料还是计数资料，1:1的均衡设计是否是最优设计，与数据的方差有关，当组间方差相差很大时，可利用方差之比来计算最优的比例。