KNOWECON WIKI

ARTICLE

样本量 (Sample Size)

样本量（Sample Size）是指从总体中抽取的样本所包含的观测单位（individual units）的数量，通常用字母 n 表示。它是统计学研究和实验设计中最为关键的参数之一，直接决定了统计推断的精度、可靠性和统计功效（statistical power）。 样本量的决定因素 确定所需样本量时，需综合考虑以下几个因素： 效应量（Effect Size）

浏览 0 更新 2025-10-26

样本量（Sample Size）是指从总体中抽取的样本所包含的观测单位（individual units）的数量，通常用字母 n n 表示。它是统计学研究和实验设计中最为关键的参数之一，直接决定了统计推断的精度、可靠性和统计功效（statistical power）。

样本量的决定因素

确定所需样本量时，需综合考虑以下几个因素：

  1. 效应量（Effect Size）：研究者希望检测到的最小效应量。效应量越小，需要的样本量越大。例如，要检测两组均值之间的小差异，比检测大差异需要更多的样本。
  1. 显著性水平（Significance Level, α \alpha ）：通常设为 0.05 或 0.01。α \alpha 越小（即对 I 类错误控制越严格），所需样本量越大。
  1. 统计功效（Statistical Power, 1−β 1-\beta ）：通常要求达到 0.80 或 0.90。功效越高（即 β \beta 越小，对 II 类错误控制越严格），所需样本量越大。
  1. 总体变异度（Population Variability）：总体标准差 σ \sigma 越大，样本量需求越大。当 σ \sigma 未知时，可通过预实验或文献估算。
  1. 抽样方法：简单随机抽样所需样本量通常小于整群抽样或多阶段抽样，因为后者的设计效应（Design Effect）会降低效率。

样本量计算公式

在简单随机抽样下，估计总体均值 μ \mu 所需样本量的经典公式为：

n=Zα/22⋅σ2E2n = \frac{Z_{\alpha/2}^2 \cdot \sigma^2}{E^2}

其中 Zα/2 Z_{\alpha/2} 为对应于置信水平 1−α 1-\alpha 的标准正态分位数，σ \sigma 为总体标准差，E E 为允许的边际误差（margin of error）。

对于总体比例 p p 的估计，公式为：

n=Zα/22⋅p(1−p)E2n = \frac{Z_{\alpha/2}^2 \cdot p(1-p)}{E^2}

当 p p 未知时，通常取 p=0.5 p=0.5 ，因为此时 p(1−p) p(1-p) 取最大值，能得到最保守（最大）的样本量。

在假设检验中，比较两组均值所需样本量的常用公式为：

n=2(Zα/2+Zβ)2σ2δ2n = \frac{2 (Z_{\alpha/2} + Z_{\beta})^2 \sigma^2}{\delta^2}

其中 δ \delta 为两组均值之差（效应量的分子部分）。

样本量与边际误差的关系

样本量与统计精度之间存在平方根关系：要使边际误差减半，样本量需扩大为原来的四倍。这一关系可以用置信区间（Confidence Interval）的宽度来理解：

ME=Zα/2⋅σn\text{ME} = Z_{\alpha/2} \cdot \frac{\sigma}{\sqrt{n}}

这一特性使得样本量增加带来的精度提升呈现边际收益递减（diminishing returns）规律。当样本量较小时，增加样本量的收益非常显著；当样本量已经很大时，继续增加样本量对提升精度的作用日益有限。

实际应用中的考量

在实践中，样本量的确定往往需要在统计精度与成本、时间之间权衡。大样本虽然能提高估计精度，但也会增加数据收集的成本和工作量。此外，还需注意以下几点：

  • 样本代表性（Sample Representativeness）：样本量大并不等同于样本具有代表性。若抽样存在偏差（sampling bias），即使样本量很大，推断结论也可能系统性地偏离总体真实值。
  • 缺失值（Missing Data）：实际研究中常会遇到受访者拒绝回答或数据丢失的情况，因此在计算所需样本量时通常需要上调一定比例（如 10\%–20\%）来弥补预期缺失。
  • 多重比较（Multiple Comparisons）：当同时进行多个假设检验时，需考虑多重比较校正（如 Bonferroni 校正），这也会增加所需的总样本量。
  • 有限总体校正（Finite Population Correction, FPC）：当样本量相对于总体规模较大（通常 n/N>0.05 n/N > 0.05 ）时，应使用有限总体校正因子 (N−n)/(N−1) \sqrt{(N-n)/(N-1)} 来缩小标准误，从而降低所需样本量。

常见误区

一个普遍的误解是认为样本量越大越好。实际上，过大的样本量可能导致研究者检测到在实践上毫无意义的微小效应（即统计显著但实际不显著的问题）。另一方面，样本量过小则可能导致功效不足，无法检测到真实存在的效应，浪费研究资源。因此，在研究设计阶段进行规范的样本量计算（power analysis）是确保研究质量的关键步骤。

总之，样本量的确定不仅是一个统计技术问题，更需要在研究目的、效应预期、资源约束和推断可靠性之间做出审慎平衡。