你遇到的问题
审稿人或导师要求「除了 p 值还要报效应量」，你却不知道不同分析该配哪个效应量：t 检验、方差分析、相关、卡方各不一样，Cohen's d、η²、r、Cramér's V 一大堆名字分不清，也记不住多大算大、多大算小。
适用场景
只要你在做假设检验、需要说明「差异或关联有多大」（而不仅仅是「是否显著」），就应报告效应量——几乎所有定量论文都适用。原因在于：p 值高度依赖样本量，大样本下极微小的差异也能显著，效应量则相对独立于样本量，刻画的是实质意义上的大小。前提是选对与你的检验相匹配的效应量指标。
正确做法
按分析类型选择效应量：两组均值比较（t 检验）用 Cohen's d，参考 0.2 小、0.5 中、0.8 大；方差分析用 η² 或 partial η²，参考 .01 小、.06 中、.14 大；相关分析用 r，参考 .10 小、.30 中、.50 大；卡方（列联表关联）用 Cramér's V，其阈值随自由度变化，最简单的 2×2 表可参考 .10/.30/.50；logistic 回归则以 OR 作为效应指标。报告时把效应量与检验统计量、p 值放在一起，并附上其含义或置信区间，而不是孤零零给一个 p。
报告示例：实验组的后测成绩显著高于对照组，t(98)=3.21，p=.002，Cohen's d=0.64，属中等偏大的效应，说明干预不仅统计显著、实际差异也不容忽视。三种教学方式对成绩的主效应显著，F(2,147)=6.05，p=.003，partial η²=.076，约为中等效应量。
常见错误
错误一：只报 p<.05 就宣称「效应显著」，却不报效应量，在大样本下把微不足道的差异说成重要发现。错误二：效应量张冠李戴，比如给方差分析报了 Cohen's d、或把 η² 的阈值套到 r 上，或直接照搬 Cohen 的经验阈值而不顾学科惯例，导致对「大小」的判断失真。
需要更进一步？
如果你已经跑出检验结果，却不确定该配哪个效应量、算出来的数值该归到大中小哪一档，可以把 SPSS 或 R 的输出整段贴进本站的统计结果解读器，它会按你的检验类型给出对应的效应量并对照阈值解释。若涉及效应量置信区间、需要据此做效能分析或样本量估算这类进阶需求，建议预约辅导。