恐怕这不是您想听到的答案，但无论如何我还是要说：尽量抵制在线计算器的诱惑（并在购买专有计算器之前省钱）。

以下是其中的一些原因： 1) 在线计算器都使用不同的符号并且通常记录不充分。这是浪费你的时间。2) SPSS 确实提供了一个功率计算器，但我什至从未尝试过它，因为它对我的部门来说太贵了！3）像“中等效果大小”这样的短语充其量是误导性的，最坏的情况是对于除了最简单的研究设计之外的所有内容都是完全错误的。有太多的参数和太多的相互作用，无法将效果大小提取到 [0,1] 中的单个数字。即使你可以把它放在一个数字中，也不能保证科恩的 0.5 对应于问题上下文中的“中等”。

相信我 - 从长远来看，最好咬紧牙关，自学如何使用模拟来为自己谋福利（以及为您所咨询的人谋福利）。与他们坐下并完成以下步骤：

1）决定一个适合问题上下文的模型（听起来你已经在这部分工作了）。

2) 与他们协商以确定空参数应该是什么，控制组的行为，无论这在问题的上下文中意味着什么。

3) 与他们协商以确定参数应该是什么，以使差异具有实际意义。如果存在样本量限制，则也应在此处确定。

4）根据2）和3）中的两个模型模拟数据，并运行你的测试。您可以使用大量软件来做到这一点 - 选择您最喜欢的并继续努力。看看你有没有拒绝。

5) 重复 4) 数千次，例如。记录你拒绝了多少次，拒绝的样本比例是对功效的估计。这个估计有大约的标准误差。$n$$\hat{p}$$\sqrt{\hat{p}(1 - \hat{p})/n}$

如果您以这种方式进行功率分析，您会发现以下几点：A) 运行的参数比您预期的要多得多。它会让你想知道世界上怎么可能将它们全部折叠成一个像“中等”这样的数字——你会发现这是不可能的，至少不是以任何直接的方式。B）您的功率将比许多其他计算器宣传的要小得多。C）您可以通过增加样本量来增加功效，但要小心！您可能会发现，为了检测“实际上有意义”的差异，您需要一个非常大的样本量。

如果您在上述任何步骤中遇到问题，您可以收集您的想法，为 CrossValidated 精心设计一个问题，这里的人会帮助您。

编辑：如果您发现您绝对必须使用在线计算器，我发现最好的一个是Russ Lenth 的 Power and Sample Size page。它已经存在了很长时间，它具有相对完整的文档，它不依赖于预设效果大小，并且具有指向其他相关且重要的论文的链接。

另一个编辑： 巧合的是，当这个问题出现时，我正在写一篇博客文章来充实其中的一些想法（否则，我可能不会这么快回答）。无论如何，我上周末完成了，你可以在这里找到它。它不是用 SPSS 编写的，但我敢打赌，如果一个人很聪明，他们可能能够将其中的一部分翻译成 SPSS 语法。