首先我们使用的是R包pwr，我们看下下面这段文字，还是挺重要的，因为它包含了这个包的所有语言。
This package contains functions for basic power calculations using effect sizes and notations fromCohen (1988) : pwr.p.test: test for one proportion (ES=h) pwr.2p.test: test for two proportions
(ES=h) pwr.2p2n.test: test for two proportions (ES=h, unequal sample sizes) pwr.t.test: one sample
and two samples (equal sizes) t tests for means (ES=d) pwr.t2n.test: two samples (different sizes) t
test for means (ES=d) pwr.anova.test: test for one-way balanced anova (ES=f) pwr.r.test: correlation
test (ES=r) pwr.chisq.test: chi-squared test (ES=w) pwr.f2.test: test for the general linear model
(ES=f2) ES.h: computing effect size h for proportions tests ES.w1: computing effect size w for
the goodness of fit chi-squared test ES.w2: computing effect size w for the association chi-squared
test cohen.ES: computing effect sizes for all the previous tests corresponding to conventional effect
sizes (small, medium, large)
我们再看下使用体会，一般我们会拿到回顾性研究数据，比如用药组和非用药组对肝功能的影响，通过统计我们能得到两组的均值和标准差，假设α=0.05。当然，在回顾性研究数据中，我们知道样本量是多少，所以我们可以计算power。

回顾性研究中power分析的用途：

评估研究的统计检验力：了解现有样本量是否足够检测到预期的效应。
解释研究结果：如果结果不显著，低power可能是一个原因。
为未来研究提供参考：如果power较低，可以为将来的前瞻性研究提供样本量估计的依据。

正确的步骤：

a. 计算效应量（从现有数据）
b. 使用已知的样本量、效应量和显著性水平计算power
c. 解释得到的power值

如果power不理想：

不能回过头去增加样本量（因为这是回顾性研究）
可以讨论研究的局限性
可以建议在未来的研究中增加样本量

library(pwr)
# 用药组和非药物组的均值
mean1 <- m1
mean2 <- m2
# 假设标准差
sd1 <- sd(用药组)
sd2 <- sd(非用药组)
alpha <- 0.05
#power <- 0.8
# 计算效果大小 d
pooled_sd <- sqrt((sd1^2 + sd2^2) / 2)
d <- (mean1 - mean2) / pooled_sd
# 计算power
pwr.t.test(d = d, sig.level = alpha, n=n, type = "two.sample")

在前瞻性研究中，我们需要计算样本量，这时，我们认定检验力为0.8（power=1-β）一般这样取值，但是不是固定的，Power和二类错误的关系：
Power（检验力）= 1 - β
β 是二类错误的概率
当Power设定为0.8时：
0.8 = 1 - β
β = 1 - 0.8 = 0.2
所以，您是对的，当power设定为0.8时，二类错误（β）确实是0.2。
这意味着：
有80%的概率正确地拒绝虚无假设（当备选假设为真时）
有20%的概率错误地接受虚无假设（当备选假设为真时，即犯二类错误）
为什么选择0.8作为常用的power值：
这是一个平衡点，在检测真实效应和控制成本之间取得平衡。
增加power（如到0.9）会显著增加所需的样本量，从而增加研究成本。
0.8的power被认为足够检测到大多数重要的效应。
需要注意的是：
在某些情况下（如医学研究），可能需要更高的power，以减少遗漏重要发现的风险。
power的选择还应考虑研究的具体情况，如预期效应大小、可用资源等。

前瞻性研究

评估样本量是研究设计中的一个关键步骤。让我为您详细解释如何进行样本量评估：

确定研究类型：
对于均值比较（如t检验）
对于比例比较（如卡方检验）
对于相关性研究
对于回归分析等
确定关键参数：
预期效应量（Effect size）
所需的统计检验力（通常为0.80）
显著性水平（通常为0.05）
研究设计（单尾或双尾检验、配对或独立样本等）
使用样本量计算公式或软件：
常用软件：G*Power, R (pwr包), PASS, nQuery
在线计算器也可用于简单设计
考虑实际因素：
预期的损失随访率
亚组分析的需求
多重比较的调整
具体步骤（以t检验为例）： a. 估计效应量：
可以基于先前研究
或进行小规模的预实验
b. 在R中使用pwr包：

library(pwr)
pwr.t.test(d = 0.5, power = 0.80, sig.level = 0.05, type = "two.sample", alternative = "two.sided")

这里，d = 0.5 是中等效应量，是可以通过回顾性研究计算的。
c. 解释结果：
输出会给出每组所需的样本量
调整样本量：
如果预期有20%的损失随访，将计算得到的样本量除以0.8
考虑可行性：
评估招募所需样本量的难度
考虑时间和预算限制
敏感性分析：
尝试不同的效应量和power值
了解这些变化如何影响所需样本量
特殊情况：
对于非参数检验，可能需要稍大的样本量
对于复杂的研究设计（如多因素ANOVA），可能需要更专门的计算方法
记住，样本量计算是一个平衡艺术，需要在统计能力、研究可行性和资源限制之间找到平衡点。