在统计学中，效应值（Effect size）是量化现象强度的数值。效应值实际的统计量包括了二个变数间的相关程度、回归模型中的回归系数、不同处理间平均值的差异……等等。无论哪种效应值，其绝对值越大表示效应越强，也就是现象越明显。效应值与特效检验的概念是互补的。在估算统计检定力、需要的样本数与进行元分析时，效应值经常扮演重要角色。

在统计学中，效应值（Effect size）是量化现象强度的数值。效应值实际的统计量包括了二个变数间的相关程度、回归模型中的回归系数、不同处理间平均值的差异……等等。无论哪种效应值，其绝对值越大表示效应越强，也就是现象越明显。效应值与特效检验的概念是互补的。在估算统计检定力、需要的样本数与进行元分析时，效应值经常扮演重要角色。

在研究结果中报导效应值被视为洽当的或必须的。相对于统计学上的显著性，效应值有利于了解研究结果的强度。特别是在社会科学和医学研究上，效应值更显得重要。绝对与相对效应值可以传递不同的讯息，又可互相补充讯息。有个心理学的研究学会鼓励学者报导效应值：

报告主要结果时必须一并报导效应值……如果测量值的单位在实际面上是有意义的（例如每人每日抽烟的香烟根数），则我们建议采用非标准化的效应值（例如回归系数或平均值差异）而非标准化的效应值（例如相关系数）。

在比较平均数的情况下，效应值经常指的就是实验结束后，实验组与控制组之间“标准化后的平均差异程度”，依照惯例，effect size=0.2可解读为为差异程度小、=0.5为差异程度中等，=0.8为差异程度大。

在统计学中，线性回归（Linear regression）是利用称为线性回归方程的最小二乘函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析。这种函数是一个或多个称为回归系数的模型参数的线性组合。只有一个自变量的情况称为简单回归，大于一个自变量情况的叫做多元回归。（这反过来又应当由多个相关的因变量预测的多元线性回归区别，而不是一个单一的标量变量。）

在线性回归中，数据使用线性预测函数来建模，并且未知的模型参数也是通过数据来估计。这些模型被叫做线性模型。最常用的线性回归建模是给定X值的y的条件均值是X的仿射函数。不太一般的情况，线性回归模型可以是一个中位数或一些其他的给定X的条件下y的条件分布的分位数作为X的线性函数表示。像所有形式的回归分析一样，线性回归也把焦点放在给定X值的y的条件概率分布，而不是X和y的联合概率分布（多元分析领域）。

在概率论和统计学中，相关（Correlation），显示两个随机变量之间线性关系的强度和方向。在统计学中，相关的意义是用来衡量两个变量相对于其相互独立的距离。在这个广义的定义下，有许多根据数据特点而定义的用来衡量数据相关的系数。