Daha Fazla Trafik Olmadan Minimum Tespit Edilebilir Etkinizi Düşürün

Minimum tespit edilebilir etki (MDE), gerçekten sahip olduğunuz örneklemle, seçtiğiniz güç ve anlamlılık düzeyinde deneyinizin güvenilir biçimde yakalayabileceği en küçük gerçek değişimdir. İşletmenizin önemsediği en küçük artış MDE’nizden küçükse test yapmıyorsunuz. Fazladan adımlarla tahmin yürütüyorsunuz; sonradan yapılan ne kadar zekice analiz olursa olsun bunu düzeltemez.

Kısa özet:

İşletmenizin mevcut MDE’den küçük etkileri tespit etmesi gerekiyorsa trafiği artırmak veya testi yeniden yürütmek gerekebilir; çünkü MDE örneklem büyüklüğünün ters kareköküyle ölçeklenir.

Alfayı 0,01’e ayarlamak veya gücü 0,80’den 0,90’a çıkarmak MDE’yi yükseltir. Bu, ek örneklem veya daha uzun süre olmadan küçük etkileri tespit etmeyi zorlaştırır.

CUPED, tabakalama veya denek içi tasarımlar gibi varyans azaltma teknikleri, ek trafik olmadan MDE’yi düşürerek testleri daha duyarlı kılabilir.

Anlamlı olmayan sonuçların yanlış yorumlanmasını önlemek için sıfır etkiyle uyumlu sonuçlarla birlikte her zaman MDE’yi raporlayın; böylece testin hangi büyüklükteki etkileri güvenilir biçimde tespit edebildiği netleşir.

POPJAM

Daha Fazla Harcamadan Önce Kreatifi Test Edin

POPJAM, pazarlama ekiplerinin markaya uygun reklam kreatifleri üretmesine ve yayından önce sentetik alıcı personalarıyla kitle tepkilerini test etmesine yardımcı olur.

POPJAM’i keşfedin

İçindekiler

MDE nedir? Biçimsel tanımı ve önemi
Güç, alfa ve örneklem büyüklüğü MDE’yi nasıl belirler?
MDE hesaplama: Formüller ve işlenmiş örnekler
İş etkisini yansıtan MDE nasıl seçilir?
Örneklemi artırmadan MDE’yi düşürmenin pratik yolları
MDE nasıl raporlanır ve anlamlı fark bulunmayan sonuçlar nasıl yorumlanır?
MDE planlamasında en iyi uygulamalar ve yaygın tuzaklar
MDE’yi reklam kreatifi ve pazarlama testlerine uygulamak
Çoğu ekip MDE’ye neden ters yaklaşıyor?
Kaynaklar
Sık sorulan sorular

MDE nedir? Biçimsel tanımı ve önemi

MDE bir sonuç değil, tasarım sayısıdır. Herhangi bir şey yayınlamadan önce, örneklem büyüklüğünüz, anlamlılık eşiğiniz (alfa) ve istatistiksel gücünüzle testinizin yakalamak üzere kurulduğu en küçük gerçek etkiyi söyler. Dünya Bankası DIME araştırma grubunun açıkladığı güç hesaplamalarının temel fikri budur. MDE’yi ayrı tahmin değil, örneklem büyüklüğünü belirleyen aynı matematiğin çıktısı olarak ele alır.

İnsanların takıldığı yer şu: MDE, görmeyi beklediğiniz etki değildir; test bittiğinde gerçekten gözlemlediğiniz etki de değildir. Bunlar üç farklı sayıdır:

MDE: Test tasarımınızın tespit edecek kadar duyarlı olduğu en küçük etki
Beklenen etki: Gerçek artış hakkındaki hipoteziniz veya ön inancınız
Gözlenen etki: Test çalıştırıldığında verinin gösterdiği şey

Gözlenen etkiyi MDE ile karıştırmak, ekiplerin anlamlı fark bulunmayan sonuçları yanlış okumasına yol açar. MDE’niz 5 yüzde puan ve testiniz istatistiksel olarak anlamlı olmayan 2 puan artış gösteriyorsa bu, etki olmadığı anlamına gelmez. Testinizin 5 puandan küçüğünü görmek için hiç tasarlanmadığı, dolayısıyla 2 puanlık sinyalin baştan görünmez olduğu anlamına gelir. Spotify’ın Confidence belgeleri bunu iyi çerçeveler: MDE, dünyada gerçekten olanı değil, çalışmanızın tespit edebileceği şeyi anlatır.

MDE’yi kameranın çözünürlüğü gibi düşünün. Telefon kamerası gün batımını iyi yakalar; ancak sahildeki tek tek kum tanelerini kaçırır. Deneyiniz de aynıdır. Yeterli trafik ve zaman verirseniz %1 artışı ayırt eder. Örneklemi kısarsanız ancak %15’e daha yakın artışı ayırt edebilir; daha küçüğü tespit edilmeden geçer. Bu istatistiğinizin kusuru değil. Ne kadar trafik ve kaç gün ayıracağınıza karar verdiğiniz anda koyduğunuz sınırdır.

Güç, alfa ve örneklem büyüklüğü MDE’yi nasıl belirler?

Her deneyi dört sayı yönetir: Örneklem büyüklüğü, istatistiksel güç, anlamlılık düzeyi (alfa) ve MDE. Herhangi üçünü sabitleyin, dördüncüsü belirlenir. Bu pratik kural değil, cebirdir. Çoğu hesaplayıcı ve deney platformu eksik olanı çözmenizi sağlar; ancak ilişki asla değişmez.

İçselleştirmeye değer ilişki, MDE’nin örneklem büyüklüğüyle nasıl ölçeklendiğidir. MDE, 1’in örneklem büyüklüğünüzün (n) kareköküne bölümüne orantılıdır. MetricGate’in formül açıklaması bunu net sayıyla gösterir: Örneklemi ikiye katlamak MDE’yi 2 değil, yalnızca yaklaşık 1,41 kat küçültür.

İstatistik notu: MDE’nizi yarıya indirmek için yaklaşık dört kat örneklem gerekir. Bu karekök ilişkisi, deney planlamasının en az takdir edilen tek gerçeğidir. Ekipler duyarlılığı ikiye katlama beklentisiyle trafik ayırımlarını sık sık ikiye katlar, sonra iyileşme küçük gelince şaşırır.

Örneklem ile MDE arasındaki karekök ilişkisi

Bu doğrusal olmayan ilişkinin planlamada gerçek sonuçları vardır. Mevcut MDE’niz %8 göreli artış ve işletmenin önemsediği şeyi tespit etmek için %4’e inmeniz gerekiyorsa iki kat çalışma süresine değil, yaklaşık dört katına bakıyorsunuz. İki hafta sürecek testte bu sekiz haftadır. Paydaşlarla konuşmayı “testi uzatalım”dan “tasarımı yeniden düşünelim”e çevirir.

Alfa ve güç MDE’yi aynı yönde, ama daha az dramatik biçimde hareket ettirir. Alfayı 0,05’ten 0,01’e sıkılaştırmak (daha az yanlış pozitif, ama ulaşılması daha zor eşik), daha sıkı çıtayı geçmek için daha büyük sinyal gerektiğinden aynı örneklemde MDE’yi yükseltir. Gücü 0,80’den 0,90’a çıkarmak (daha az kaçırılan gerçek etki) aynı şeyi yapar; çünkü yüksek güç, sonuca bağlanmadan daha fazla kanıt ister.

Dünya Bankası DIME rehberi alfa = 0,05 ve güç = 0,80’i makul varsayılanlar sayar; çoğu ticari test aracı bunlarla gelir. Ancak varsayılanlar yasa değildir. Yanlış pozitif, bozuk ödeme akışını tüm müşterilere sunmak anlamına geliyorsa, duyarlılığa mal olsa da alfayı 0,01’e sıkılaştırmak daha savunulabilir seçimdir. Gerçek kazananı kaçırmak daha büyük riskse (örneğin hacmin ucuz olduğu erken büyüme deneylerinde), gücü 0,90’a çıkarmak ek örnekleme değebilir.

MDE hesaplama: Formüller ve işlenmiş örnekler

MDE’nin matematiği standart güç hesabının tersidir. Hedef etki verilince örneklem büyüklüğünü çözmek yerine, sabit örneklem verilince etki büyüklüğünü çözersiniz. En yaygın iki test türünde bunun işleyişi şöyle.

İki oran testi (Dönüşüm oranı deneyleri)

Kontrol ile varyantın dönüşüm oranlarını karşılaştıran iki oranlı z-testinde MDE formülü şöyledir:

MDE = (z₁₋α/2 + z₁₋β) × √(2p(1 − p) / n)

Burada p başlangıç dönüşüm oranınız, n grup başına örneklem büyüklüğüdür; z değerleri seçtiğiniz alfa ve güçten gelir. Standart alfa 0,05 (iki yönlü) ve güç 0,80 olduğunda z₁₋α/2 ≈ 1,96 ve z₁₋β ≈ 0,84 olur.

İşlenmiş örnek: Açılış sayfanızın %10 dönüşüm sağladığını (p = 0,10) ve grup başına 10.000 ziyaretçi planladığınızı varsayalım.

Standart hata bileşenini hesaplayın: √(2 × 0,10 × 0,90 / 10.000) = √(0,000018) ≈ 0,00424
Birleşik z puanıyla çarpın: (1,96 + 0,84) × 0,00424 = 2,80 × 0,00424 ≈ 0,0119
Okunabilir sayıya çevirin: MDE’niz yaklaşık 1,19 yüzde puandır. Test, dönüşümün %10’dan yaklaşık %11,19’a sıçramasını tespit edebilir, daha küçüğünü edemez

Bu ayrım çoğu kişinin fark ettiğinden önemlidir. Statistics.tools’un MDE hesaplama açıklaması bunu doğrudan belirtir: Aynı göreli artış, başlangıç düzeyinize göre çok farklı şeyler ifade eder. Her iki rakamı da daima raporlayın; dayandığı başlangıcı belirtmeden göreli artış vermeyin.

İki örneklem ortalaması (Gelir, sayfada geçirilen süre, AOV)

Oranlar yerine ortalamaları (ortalama sipariş değeri, oturum süresi, kullanıcı başına gelir) karşılaştırırken formül biraz değişir:

MDE = (z₁₋α/2 + z₁₋β) × σ × √(1/n₁ + 1/n₂)

Burada σ metriğinizin standart sapması, n₁ ve n₂ grup büyüklükleridir. MetricGate’in formül referansı bunu, farkı ham birimler yerine standart sapma birimleriyle ifade eden standartlaştırılmış etki büyüklüğü Cohen’s d üzerinden çerçeveler. Cohen’s d’yi raporlanabilir bir şeye çevirmek için d’yi metriğin standart sapmasıyla çarpın. Standart sapması 25 dolar olan AOV metriğinde 0,2 Cohen’s d, tespit edilebilir 5 dolarlık mutlak farka dönüşür.

Test türü	Formülün özü	Bilmeniz gerekenler
İki oran (dönüşüm)	(z₁₋α/2 + z₁₋β) × √(2p(1−p)/n)	Başlangıç oranı, grup başına örneklem
İki ortalama (gelir, süre)	(z₁₋α/2 + z₁₋β) × σ × √(1/n₁ + 1/n₂)	Standart sapma, grup başına örneklem
Cohen’s d (standartlaştırılmış)	d = etki / σ	σ ile çarparak ham birimlere geri çevirin

Bunları elle hesaplamanız nadiren gerekir. R’nin pwr paketi (oranlar için pwr.2p.test, ortalamalar için pwr.t.test) ve Python’ın statsmodels.stats.power modülü cebiri halleder. Çoğu deney platformu MDE tahminini doğrudan kurulum ekranında gösterir.

Uzman ipucu: Hesabı her zaman iki kez yapın: Birinde planlanan örneklemden MDE’yi, diğerinde harekete geçeceğiniz en küçük MDE’den örneklem büyüklüğünü çözün. İki sayı gerçek trafik ve takviminize uymuyorsa, tek gün test trafiği israf etmeden açığı bulmuş olursunuz.

İş etkisini yansıtan MDE nasıl seçilir?

Çoğu ekibin hatası MDE’yi tamamen istatistiksel karar saymaktır. Öyle değildir. MDE para veya kullanıcı etkisi sorusuyla başlamalı: Bir kararı gerçekten değiştirecek en küçük artış nedir?

KPI’ınızı gelir cinsine çevirerek başlayın. Kazanan varyantı oluşturup yayınlamanın sabit maliyeti 15.000 dolarsa, 0,5 puan artış bile çıtayı geçer. Yalnızca 3+ puan hareketi tespit etmek için kurulmuş test, yılda on binlerce dolar değerindeki değişikliğe sizi kör eder.

Tespit etmeye değer en küçük etkiyi bildiğinizde, hızlı kontrol listesiyle gerçek trafik ve takviminize karşı değerlendirin:

Mevcut örnekleminiz makul sürede (genellikle 2 ila 4 hafta) çalıştırıldığında iş açısından anlamlı eşiğinizde veya altında MDE sağlıyor mu?
Sağlamıyorsa, sonuçlar eskimeden test süresini uzatabilir misiniz (mevsimsellik, promosyonlar, algoritma değişimleri)?
Uzatmak gerçekçi değilse MDE’yi yükseltip yalnızca daha büyük etkilerin kaydolmasını, küçük kazanımların tespit edilmemesini kabul edebilir misiniz?
Hiç daha fazla trafik olmadan daha küçük MDE sağlayan tasarım değişikliği var mı (aşağıdaki varyans azaltma bölümüne bakın)?

Optimizely’nin deney tasarımında MDE kullanma rehberi bu ödünü açıklar: MDE, “bu test ne kadar sürmeli” sorusunu istatistik dersinden iş konuşmasına çeviren araçtır.

Uzman ipucu: Düşük trafikli sayfa makul herhangi bir sürede anlamlı MDE’ye ulaşamıyorsa bu, yine de test yapıp umut etme nedeni değildir. Daha büyük değişiklikleri tespit etmek daha az örneklem gerektirdiği için, düğme rengi yerine tam yeniden tasarım gibi daha büyük beklenen etkisi olan şey test etme sinyalidir.

Örneklemi artırmadan MDE’yi düşürmenin pratik yolları

Test duyarlılığını artırmak için daha fazla trafik satın almak zorunda değilsiniz. Bazı tasarım ve analiz seçimleri varyansı doğrudan küçültür; aynı örneklemde MDE’yi düşürür.

CUPED (Deney Öncesi Verileri Kullanan Kontrollü Deney): Kullanıcının geçmiş dönüşüm oranı veya harcaması gibi, test başlamadan ölçülen ortak değişkene göre düzeltme yaparak uygulamanın kendisiyle ilgisiz varyansı çıkarır.
Bloklama ve tabakalama: Rastgele atamadan önce benzer kullanıcıları (cihaz, coğrafya veya mevcut etkileşim düzeyine göre) gruplamak, bu farkların karşılaştırmaya ekleyeceği gürültüyü azaltır.
Eşleştirilmiş veya denek içi tasarımlar: Uygun olduğunda, aynı kullanıcının maruziyet öncesi ve sonrası davranışını karşılaştırmak kullanıcılar arası varyansı tamamen kaldırır. Bu çoğu zaman en büyük gürültü kaynağıdır.
Metrik seçimi: İkili dönüşüm metriği, daha fazla veri noktasından kurulan sürekli metrikten daha gürültülüdür. Örneğin geliri daha uzun pencerede toplamak, yalnızca günlük dönüşüm oranına göre çoğu zaman daha dar ve duyarlı metrik üretir.

MetricGate’in varyans azaltma teknikleri tartışması, ortak değişkenin öngörü gücüne bağlı olarak CUPED’in tek başına gereken örneklemi genellikle %20 ila %50 azalttığını belirtir. Bu evrensel sayı değildir; sonuç metriğiyle zayıf korelasyonu olan ortak değişken çok yardımcı olmaz. Ancak sonuç metriği sonraki dönem harcamasıysa, önceki 30 günlük harcama gibi değişken genellikle fark yaratacak kadar güçlüdür.

Bloklamayı fazla agresif yaparsanız risk taşır: Ne kadar çok tabaka oluşturursanız her biri o kadar küçülür; bir noktada her blok içinde örneklem sorunlarına dönersiniz. Bunu otomatik varsayılan olarak değil, temel alt grupların gerçekten farklı olduğu yerde kullanın.

MDE nasıl raporlanır ve anlamlı fark bulunmayan sonuçlar nasıl yorumlanır?

Her deney raporu MDE’yi yöntem ekine gömmek yerine nokta tahmini ve güven aralığıyla birlikte belirtmeli. “Anlamlı fark yok, MDE 6,2 yüzde puandı” diye raporlanan sonuç, yönetime yalın “anlamlı değil” ifadesinin asla söyleyemeyeceğini söyler: Test yalnızca oldukça büyük değişimleri yakalamak için kurulmuştu; o eşiğin altındaki her şey gerçekten bilinmiyor.

Sonuç anlamlı olsun veya olmasın, her seferinde MDE’yi, gözlenen etkiyi ve güven aralığını birlikte raporlayın.
Ölçtüğünüz etki büyüklüğü kullanılarak sonradan hesaplanan güç anlamındaki “gözlenen güç” değerini asla hesaplamayın veya raporlamayın. J-PAL’in gücü yetersiz değerlendirmeler araştırması bunu yaygın ve yanıltıcı uygulama olarak işaretler; çünkü gözlenen güç matematiksel olarak p-değerinin yeniden ölçeklenmesidir, yeni bilgi eklemez.
Küçük MDE (örneğin 1 ila 2 puan) ile anlamlı olmayan sonuç, pratik açıdan önemli etki bulunmadığına dair anlamlı kanıttır.
Büyük MDE (10+ puan) ile anlamlı olmayan sonuç neredeyse hiçbir şey söylemez; dürüst sonraki adım omuz silkmek değil, yeniden tasarımdır.
Anlamlı fark bulunmayan testi yeniden yapmadan önce, aynı tasarımı yalnızca daha uzun çalıştırmak yerine varyansı düşürüp düşüremeyeceğinizi sorun (yukarıdaki yöntemlere bakın).

MDE planlamasında en iyi uygulamalar ve yaygın tuzaklar

Çoğu MDE hatası birkaç alışkanlığa dayanır. Nelere bakacağınızı bildiğinizde önlenebilirler.

Veri toplamadan önce MDE’yi belirleyin ve yazın. Sayıları gördükten sonra hangi etkinin “anlamlı” sayılacağına karar vermek, istenen sonuca göre akıl yürütmeye davetiye çıkarır.
Sonuçlara göz atıp iyi göründüğünde erken durmayın. Plansız göz atma, yanlış pozitif oranını belirttiğiniz alfanın çok üstüne çıkarır. Evan Miller’ın sıralı test analizi, gayriresmî izlemenin testin tasarlandığı garantileri neden bozduğunu açıklar ve planlı sıralı yöntemlerle bu bedel olmadan sonuçların nasıl erken kontrol edilebildiğini gösterir.
Aynı anda birkaç varyant veya metrik test ederken çoklu karşılaştırma düzeltmesi yapın ve yalnızca tek yönde değişim beklemek için belirli, önceden kayıtlı nedeniniz yoksa varsayılan olarak iki yönlü test kullanın.
Varsayımlarınızı belgeleyin: Başlangıç oranı, varyans tahmini ve MDE hesabında kullandığınız örneklem büyüklüğü. Böylece bir meslektaşınız veya gelecekteki siz, altı ay sonra sayıyı denetleyebilir.

MDE’yi reklam kreatifi ve pazarlama testlerine uygulamak

Pazarlama testleri aynı matematiğe tabidir; tek ek ayrıntı şudur: Reklam platformlarında canlı A/B testinin maliyeti yalnızca istatistiksel değildir, reklam harcamasıdır. Kaybeden kreatif varyantına giden her gösterim, dönüşüm satın almayan paradır.

Açılış sayfasında yapacağınız gibi, dönüşüm artışı MDE’sini ROAS veya gelir eşiğine çevirerek başlayın.

Ön testin değerini gösterdiği yer burasıdır. Kreatif fikirlerini canlı harcamaya ulaşmadan sentetik kitle geri bildiriminden geçirmek, canlı test alanını gerçekten farklı finalistlere indirir. Bu iki şey yapar: Aynı trafik havuzu için yarışan varyant sayısını azaltır (çoklu karşılaştırma yükünüzü düşürür) ve zaten kontrolden ayırt etmek için büyük MDE gerektirecek zayıf fikirleri eler.

İşleyen kreatif test akışı şöyledir:

Canlı trafiğe bir dolar harcamadan bariz başarısızlıkları yakalamak için kreatif fikirleri üretin ve sentetik alıcı personalarında ön testten geçirin.
Birbirine neredeyse aynı beş varyant yerine, ön testte anlamlı biçimde farklı yanıt örüntüsü gösteren iki veya üç finaliste daraltın.
Canlı A/B testinin MDE’sini belgelenmiş varsayımlara göre belirleyin: Başlangıç dönüşüm oranı, test penceresinde beklenen trafik ve kreatif değişimini haklı çıkaracak en küçük ROAS iyileşmesi.
Canlı reklam testi iş akışını, MDE kafa karıştırıcı sonuçlar geldikten sonra keşfedilerek değil baştan belirtilerek çalıştırın.

Ön test canlı testin yerini almaz. Canlı testin kanıtlaması gerekenlerin miktarını azaltır; gereken örneklemi ve takvimi küçülten tam olarak budur. POPJAM’in ücretsiz reklam test aracı ve kreatifleri ön testten geçirmenin maliyeti neden azalttığına ilişkin gerekçeler, bu makalenin anlattığı aynı temel matematiğe işaret eder: Daha az ve daha net varyantlar daha küçük, daha uygun maliyetli MDE demektir. Verileri kreatif kararlara bağlamaya daha derin bakış için, yatırım getirisi amacıyla veriye dayalı reklam testi ve genel dönüşüm oranı optimizasyonu uygulamaları bu iş akışıyla birlikte okunmaya değer yakın konuları kapsar.

Çoğu ekip MDE’ye neden ters yaklaşıyor?

Bu konudaki çoğu rehber MDE’yi hesaplayıcı çıktısı sayar: Başlangıcı, alfayı, gücü gir, sayı al, devam et. Bu ters. Sayı önce iş sorusundan, sonra trafik kısıtından, en son formülden gelmeli.

Daha büyük kör nokta raporlamadır. Yayından önce MDE’yi dikkatle hesaplayan ekipler, sonradan belirtmeyi düzenli unutur. Böylece anlamlı fark bulunmayan sonuç, “yalnızca X üzerindeki etkileri görebiliyorduk ve o kadar büyük bir şey çıkmadı” yerine “hiçbir şey olmadı” diye okunur. Bu ayrım, makul kişinin sonra ne yapacağını değiştirir: Bırakmak, daha duyarlı tasarımla yeniden yapmak veya daha küçük etkinin var olduğunu ama peşine düşmeye değmediğini kabul etmek.

Bu tek gerçek, testi uzatmak mı yeniden tasarlamak mı gerektiğine ilişkin her konuşmayı ve kreatif ekiplerin canlı reklam harcamasına dokunmadan önce nasıl ön test yaptığını şekillendirmeli.

Doruk

Kaynaklar

Sık sorulan sorular

Minimum tespit edilebilir etki nasıl hesaplanır?

Oranlar için MDE = (z₁₋α/2 + z₁₋β) × √(2p(1−p)/n); burada p başlangıç oranınız, n grup başına örneklem büyüklüğüdür. Ortalamalar için metriğinizin standart sapmasını kullanarak oran terimini σ × √(1/n₁ + 1/n₂) ile değiştirin.

Minimum tespit edilebilir değişim nasıl hesaplanır?

Minimum tespit edilebilir değişim, MDE ile aynı matematiği izler. Örneklem büyüklüğü, seçilen alfa ve hedef güç verildiğinde test tasarımınızın güvenilir biçimde yakalayabileceği en küçük gerçek farktır; standart güç formülü ters çevrilerek hesaplanır.

0,3 etki büyüklüğü iyi midir?

0,2 Cohen’s d genellikle küçük etki, 0,3 ise küçük ile orta arası etki sayılır. “İyi” olup olmadığı tamamen bağlama bağlıdır: Açılış sayfası testinde 0,3 standartlaştırılmış etki anlamlı gelir artışına dönüşebilirken, klinik deneyde aynı sayı tedaviyi haklı çıkarmak için fazla küçük olabilir.

0,001’in altındaki p-değeri anlamlı sayılır mı?

Evet, 0,05’in altındaki p-değeri standart anlamlılık eşiğini bir farkla geçer. Çok küçük p-değeri sıfır hipotezine karşı güçlü kanıt gösterir; ancak gözlenen etki büyüklüğünün işletmeniz açısından önemli olacak kadar büyük olup olmadığı hakkında hiçbir şey söylemez.

MDE ile istatistiksel güç arasındaki fark nedir?

Güç, testinizin belirli büyüklükte gerçek etkiyi tespit etme olasılığıdır; MDE, testinizin o güç düzeyinde tespit edebileceği en küçük etki büyüklüğüdür. Aynı güç analizinin, farklı bilinmeyenler için çözülmüş iki yüzüdür.