Många läsare av denna monografi kanske undrar varför ett kapitel om statistisk effekt har tagits med. När allt kommer omkring är frågan om statistisk styrka vid det här laget i många avseenden vardaglig. Alla vet att statistisk styrka är ett centralt forskningsövervägande, och de flesta som får bidrag från National Institute on Drug Abuse eller som är på väg att få ett sådant bidrag förstår säkert vikten av att inkludera en analys av styrkan i forskningsförslagen. Det finns dock gott om bevis för att förebyggande forskare i praktiken inte ägnar tillräcklig uppmärksamhet åt statistisk styrka. Om de gjorde det skulle de resultat som Hansen (1992) observerade i en nyligen genomförd genomgång av litteraturen om förebyggande åtgärder inte ha framkommit. Hansen (1992) undersökte den statistiska styrkan utifrån 46 kohorter som följdes longitudinellt, med hjälp av icke-parametriska antaganden med tanke på försökspersonernas ålder vid posttestet och antalet försökspersoner. Resultaten av denna analys visade att för att en studie skulle uppnå 80 procents effekt för att upptäcka skillnader mellan behandlings- och kontrollgrupper måste skillnaden mellan grupperna vid posttestet vara minst 8 procent (i de bästa studierna) och så mycket som 16 procent (i de svagaste studierna). För att en studie skulle uppnå 80-procentig effekt för att upptäcka gruppskillnader i förändringarna före och efter testet skulle 22 av de 46 kohorterna ha behövt relativa minskningar före och efter testet på mer än 100 procent. Trettiotre av de 46 kohorterna hade mindre än 50 procents effekt för att upptäcka en 50-procentig relativ minskning av substansanvändningen. Dessa resultat stämmer överens med andra granskningsresultat (t.ex. Lipsey 1990) som har visat en liknande brist på effekt i ett brett spektrum av forskningsämnen. Det verkar alltså som om forskarna, trots att de är medvetna om betydelsen av statistisk styrka (särskilt om behovet av att beräkna den när de föreslår forskning), på något sätt misslyckas med att få tillräcklig styrka i sina genomförda studier. I det här kapitlet hävdas att misslyckandet för många förebyggande studier att upprätthålla tillräcklig statistisk styrka beror på att man överbetonar urvalsstorleken (N) som det enda, eller till och med det bästa, sättet att öka den statistiska styrkan. Det är lätt att se hur denna överbetoning har uppstått. Urvalsstorlek är lätt att manipulera, har den fördelen att den är relaterad till effekt på ett enkelt sätt och är vanligtvis under forskarens direkta kontroll, med undantag för begränsningar som orsakas av ekonomi eller tillgång till försökspersoner. Ett annat alternativ för att öka effekten är att öka det alfavärde som används för hypotesprövning, men eftersom mycket få forskare allvarligt överväger signifikansnivåer som är mycket större än den traditionella 0,05, används denna strategi sällan. Urvalsstorleken är naturligtvis viktig, och författarna till det här kapitlet rekommenderar inte att forskarna slutar att välja urvalsstorlek med omsorg. De menar snarare att forskare inte bör begränsa sig till att öka N för att öka effekten. Det är viktigt att vidta ytterligare åtgärder för att bibehålla och förbättra effekten utöver att se till att den ursprungliga urvalsstorleken är tillräcklig. Författarna rekommenderar två allmänna strategier. Den ena strategin innebär att man försöker bibehålla den effektiva ursprungliga stickprovsstorleken så att man inte förlorar effekt i onödan. Den andra strategin är att vidta åtgärder för att maximera den tredje faktorn som bestämmer den statistiska effekten: effektstorleken.