近年来，由于大量研究只报告统计显著性检验的趋势，而较少关注统计分析的其他重要方面。越来越多的已发表的报告指出，有必要在零假设检验(H0)的背景下报告各种效应量大小。p值并不可以提供有关变量之间关系的实际强度的信息，也不能够使研究人员确定一个变量对另一个变量的影响。而效应量很好地满足了以上的不足。

单独的p值仅仅表示在假设零假设成立的情况下，获得与实际得到的结果相同或更极端的结果的概率。在许多情况下，计算出的p值取决于标准误差(SE)。现在已经确定，样本量会影响标准误差，因此也会影响p值。随着样本规模的增大，标准误差变小，p值趋于减小。由于这种对样本量的依赖，p值被认为是混杂的。有时统计上显著的结果主要是因为使用的样本量很大。由于这个原因，p值并不能说明观察到的结果是否有意义或重要。

效应大小可以评估被调查变量之间关系的强度。在实践中，它们可以对所获得的结果的大小和重要性进行评估。效应估计值值得在假设检验中p值旁边报告。

报告效应量的优势在于：

1. 它们反映了变量之间关系的强度，并能够评估这种关系的重要性(意义)。仅应用显著性检验并陈述p值可能仅提供有关差异存在与否、其影响和关系的信息，而不考虑其重要性。

2. 效应大小估计可以对来自不同来源和作者的结果进行适当的比较。

3. 它们可以用来计算统计测试的功率(功率统计)，这反过来又可以使研究人员确定研究所需的样本量。

4. 在样本量较小的试点研究中获得的效应量可能是对未来研究结果预期的一个指标。

如何计算效应量（仅列举了一些常用的检验中效应量的计算方法，效应量基本均可在SPSS、R studio等软件中计算）：

    独立样本t检验：

    两组之间t检验：

    卡方检验(χ2)：

    列联表的卡方检验：