"样本量定多少才够"，几乎是开题与预答辩绕不开的一问。拍脑袋写个数字，导师一句"这个数怎么来的"就露怯；照着同类论文抄一个，又怕撑不起自己的主分析。其实对多数要做假设检验的论文来说，答案藏在一个概念里——统计功效。本文按统计功效这条线拆解：先分清你该走哪条路，再看懂"够"的尺子，最后用五个环节把数字算出来，文末附常见疑问与落地路线。
一、先分清：样本量有三条"来路"，本篇只拆功效这条
"要多少样本"在不同研究目的下不是同一个问题，写论文前先对号入座：
| 研究类型 | 样本量怎么来 | 本篇是否展开 |
|---|---|---|
| 描述现状类（只报告分布与水平，不做组间比较） | 按置信水平与允许误差反推，保证估计精度 | 只作相邻口径，不展开 |
| 假设检验类（比较组间差异、检验相关或回归系数是否显著） | 由检验功效反推，保证能把真实效应检出来 | 本篇主线，按五个环节拆 |
| 沿用惯例类（参考同课题组或近似论文的规模） | 经验值，只能作交叉核对 | 不作为计算依据 |
一句话收束：只要论文里带"检验假设"这一环——差异检验、相关检验、回归系数检验都算——样本量就该走功效这条路线；纯描述性调查另按精度口径，别混用。
二、统计功效：衡量"够不够"的尺子
假设检验有两种出错的可能：本来没有差异却报出差异，叫假阳性，记作 α；本来有差异却没检出来，叫假阴性，记作 β。检验功效（记作 1 − β）回答的正是：当那个差异真的存在时，你的检验有多大概率把它找出来。
样本量与功效的关系很直接：样本越足，功效越高；反过来，先定下一个期望功效目标，就能反推出"够"的样本量。四类参数共同决定这个数字：
| 参数 | 含义 | 调高它对样本量的影响 |
|---|---|---|
| 假阳性风险 α | 允许误报的概率上限（常取 0.05） | 把 α 定得更严 → 样本增加 |
| 期望功效 1 − β | 想以多大把握检出真实效应（常取 0.80 上下） | 目标越高 → 样本增加 |
| 预期效应量 | 想检出的组间差异或关联有多强 | 效应量越小 → 样本大幅增加 |
| 数据变异度 | 组内波动与个体差异（常用标准差衡量） | 变异越大 → 样本增加 |
还有两点要拎清。其一，功效分析是研究设计阶段的规划工具，"够不够"应在收集数据之前算好；研究结束后再拿已得结果反推的"事后功效"解释不了任何结论，也别用它给自己找补。其二，功效高只说明"发现差异可信"，并不自动说明差异重要——重要性由效应量与专业意义判断，两把尺子各管一段。
三、按功效拆解样本量，走完五个环节就够了
环节一：锁定检验场景。 先写清论文的主分析用哪种检验——两组独立样本比较、配对或重复测量、多组比较（方差分析类）、相关或回归、还是率的比较。检验结构不同，样本量公式的骨架就不同；若研究含多组，组间分配比（如 1:1）也要在这一步定好。配对设计通常比独立两组更省样本，前提是配对确有相关性、分析计划与设计匹配。
环节二：设定假阳性风险与期望功效。 研究领域通行做法常取 α=0.05、期望功效 0.80 上下；学位授予单位或目标期刊若有更严口径，按更严的来。同一 α 下，双侧检验通常比单侧需要更多样本——你想检验"有差异"还是"有方向的差异"，会直接影响结果大小。
环节三：给效应量一个出处。 效应量是"想检验的那个信号到底有多强"，它决定样本量，而不是反过来被样本量决定——这是整个拆解里容易被绕进去的一点。取值通常有三个来源：近似研究或系统综述报告的数值（引用要能写出处）、自己预实验的初步值、或实务中公认的"具有实际意义的差异幅度"。拿不准时宁可按偏小的效应量保守估算，算出的样本更大、研究更稳，并把估算依据写清楚。查文献定依据时，可用近五年、每篇带 DOI 的真实文献做底稿，能逐条回溯验证，避免凭印象填数。
环节四：代入计算。 把 α、期望功效、效应量、变异度与组数交给统计软件（如 G*Power、R 的 pwr 包、SPSS 中的相关过程）去算，人要保证的是每个输入都有出处。以两组均值比较为例，样本量与效应量的平方近似成反比：效应量砍半，所需样本往往要放大到约四倍量级——可见效应量小半档，样本量可能剧烈跳动，环节三的取值必须经得起追问。
环节五：预留损耗并把依据写进方法。 现实招募会有失访与剔除，通常按预期损耗率上调招募目标（实际招募 ≈ 计算值 ÷（1 − 预期损耗率））。最后把整套参数写进方法部分：检验类型、α、期望功效、效应量来源与数值依据、所用软件与版本、算得每组人数、损耗如何处理。导师和审稿人能照着复核，这个样本量才算真正立得住，而不是抄来的一个数。
四、样本量相关的常见疑问（FAQ）
算出来的样本量太大，收不齐怎么办？ 先回到环节一与环节三，看能否合理地调整研究问题、效应量口径或组间分配；也可以如实报告在给定条件下的实际功效。切忌把参数改成"刚刚好"的数值或事后编造招募过程——方法部分的每个数字都要经得起复核。
效应量一个现成数都找不到呢？ 按三层顺序找：近似研究或系统综述的报告值 → 小规模预实验的初步值 → 实务中公认的"具有实际意义的差异幅度"。都没有，就按偏小的效应量保守估算，并在文中写明这一假设。
描述现状的调查也要做功效分析吗？ 一般不需要。只描述分布与水平、不做假设检验的调查，关心估计精度，应按置信水平与允许误差反推样本量；功效分析服务于有检验环节的主分析，两者别混用。
样本量是越多越好吗？ 不是。"够"的标准是主分析达到目标功效；功效达标后再加样本，边际收益递减，成本与无关变异却会放大。与其盲目求大，不如把检验类型、效应量与损耗算清楚。
纯质性研究也按这套算吗？ 不适用。质性研究不依赖功效框架，样本规模更多由研究问题范围与资料饱和原则决定，各学科与期刊口径不统一，按所在领域的通行做法说明即可。
五、算样本量时，这些工具能顺手配齐
把样本量算明白只是研究设计的一个动作，落地时还有三处可顺手补齐：查文献定效应量，用真实文献检索拿近五年、带 DOI 的可验证文献做依据；论文里要写功效公式或效应量公式时，用免费科研元素里的公式生成，排版规范不费手；整篇方法部分完成后，再走官方查重与 AIGC 检测把质量关。按需求选入口：
| 你的核心需求 | 优先入口 | 侧重能力 | 为什么对口 |
|---|---|---|---|
| 一站式全流程写论文 | 知学术·AIPaperGPT（aipapergpt.com） | 大纲到定稿闭环 | 从研究设计到成稿一个入口 |
| 科研绘图/公式/代码/真实文献 | 知学术（zhixueshu.net） | 学术深度 | 公式排版与真实文献检索对口 |
| 查重降AI通过无忧/反复改稿 | 神笔学术（shenbixueshu.com） | 保障兜底 | 检测与改稿需求集中在这里 |
三入口同属知学术·AIPaperGPT 平台，能力与退款承诺一致：查重率超 15% 或 AIGC 率超 10% 全额退款，退款审核 1-3 个工作日。
六、三条使用路线：按你的进度对号入座
路线一：还在开题或研究设计阶段。 把功效分析当成设计文档的一部分，五个环节走一遍，方法部分提前写好参数——后面写结果更顺畅。
路线二：预答辩或审稿被质疑样本量。 不用慌，把现有方案按五个环节补成完整报告，效应量出处与损耗处理逐项写明，通常能回应大部分质疑。
路线三：数据收完才发现样本不足。 如实报告实际功效与研究局限，在讨论部分说明对结论稳健性的影响；不要回头改动事先定好的参数来"凑数"。
学术合规提醒
样本量计算属于研究方法环节，建议以导师意见、学位授予单位规范与目标期刊的通行要求为准；AI 工具可协助检索文献、排版公式与润色表述，计算结论需由你核对统计学口径并负责。涉及真实数据的部分务必如实记录，不编造、不夸大。
总结与行动建议
样本量"够不够"不是感觉问题，而是功效问题：先分清研究类型，再用假阳性风险、期望功效、效应量与变异度四个参数把数字算出来，最后把依据完整写进方法。对多数做假设检验的论文，这套流程足以让样本量经得起导师与审稿人的追问。定稿前记得用官方渠道做查重与 AIGC 检测，把质量关收在最后一步。