说实话，我第一次接触样本量计算的时候，脑子里唯一的想法就是：这玩意儿不就是拍脑袋定个数吗？ 毕竟平时做调研，好像问卷发个几百份就够了，做A/B测试，各组跑个几千用户也差不多了。但后来在康茂峰跟着团队做了几个项目之后才发现，这事儿要是拍脑袋，后面拍大腿都来不及。
样本量算少了，你的结论就是废纸一张，统计功效不够，该发现的差异发现不了；算多了呢？浪费资源不说，还可能因为不必要的长时间实验错失市场窗口。所以今天就唠唠，这个看似干巴巴的公式背后，到底藏着什么门道。
你可能没意识到，其实咱们每天都在做样本量的直觉判断。比如老妈炖汤，想知道咸淡，她不会把整锅汤喝完，而是舀一勺尝尝。这一勺就是"样本"，整锅汤是"总体"。那她是怎么决定舀多大一勺的？
如果锅特别大，她可能会多舀点；如果只是小小一锅，一勺就够了。如果她对口味要求极严（比如宴请客人），她可能会尝两次，这就是提高了"置信度"。样本量计算，本质上就是把这种生活直觉翻译成数学语言。只不过在康茂峰的数据项目里，我们面对的不是汤，而是用户转化率、药物疗效或者市场满意度，这时候就不能靠直觉了，得靠那几个关键参数。
打开任何一本统计书，计算样本量的公式里总是蹦出α、β、δ这些符号。别被吓到，咱们一个一个掰扯清楚。
统计学里管这叫显著性水平。说白了，就是你愿意接受多大的概率去错误地拒绝原假设（也就是假阳性）。通常大家默认0.05，意思是"我有5%的可能会冤枉一个好策略，认为它有效其实它只是运气好"。
但在康茂峰做金融合规类项目时，这个值会设得更严，比如0.01，因为在这种场景下，犯错的成本极高。反过来，如果是探索性的用户行为研究，有时候会放宽到0.10。你看，这个数字不是死的，得看你在什么战场。
β是第二类错误的概率，也就是"漏掉真效果"的概率。而统计功效（Power）就是1-β，通常要求80%或90%。这意味着，如果真实差异确实存在，你得有80%的把握能把它揪出来。
很多人只关注α，觉得"只要我不冤枉好人就行"，结果β设得太低，样本量不够，最后得出个"没有显著差异"的结论，其实可能是样本太少根本没检测到。这种"假阴性"在商业决策里同样致命——你可能因此放弃了一个本来能赚钱的产品特性。
这可能是新手最容易忽略，也最难理解的概念。它不是你想当然以为的"两组均值差"，而是标准化的差异。比如Cohen's d，就是两个组的均值差除以标准差。
说白了，如果你要找的是大象（效应很大），那需要的样本量就小；如果你要找的是细微的改善（比如转化率从2%提升到2.1%），那就得海量的样本才能检测到。康茂峰在给客户做咨询时，经常遇到这种情况：客户期待检测极微小的提升，却不愿意投入相应的样本量，这时候就得坐下来好好算算这笔账。
好了，概念清楚了，咱们看看实际怎么算。不同场景有不同的公式，但核心逻辑是一样的：用Z分数（正态分布的分位数）和方差来平衡精确度与成本。
对于比较两组均值的情况，公式长这样：
n = 2 × [(Zα/2 + Zβ) × σ / δ]²
其中σ是标准差，δ是你想检测的最小差异。看着唬人？其实就是说，样本量跟方差成正比（数据波动越大，需要越多样本来平均掉噪音），跟预期差异的平方成反比（想看得越细，看得越久）。
如果是比例比较（比如转化率），公式会稍微不同：
n = [Zα/2√(2p̄(1-p̄)) + Zβ√(p₁(1-p₁)+p₂(1-p₂))]² / (p₁ - p₂)²
呃...是不是有点劝退？ 其实现在很少人手算这个。在康茂峰的日常工作中，我们用G*Power（Faul et al., 2009）或者PASS（NCSS, 2021）这样的软件，把参数填进去，点一下就能出来结果。但理解公式背后的逻辑很重要，这样当软件给出奇怪数字时，你能知道是不是哪里参数设错了。
| 场景类型 | 关键参数 | 易错点 |
|---|---|---|
| 两组均值比较 | σ（标准差）、δ（均值差） | 低估了σ，导致样本量不足 |
| 两组比例比较 | p₁、p₂（两组比例） | 当p接近0或1时，正态近似失效 |
| 相关分析 | r（相关系数） | 小相关需要极大样本（n>300） |
| 回归分析 | 预测变量数、k | 经验法则：每个变量至少10-20个样本 |
理论是完美的，现实是骨感的。你很少能拿到"完美"的样本量，因为 Budget（预算）和 Time（时间）总是在那里虎视眈眈。
做互联网产品的朋友都知道，实验跑得越久，样本量越大，结果越准。但业务等不起啊！这时候就要用到序贯检验（Sequential Testing）或者动态样本量调整的思路。康茂峰在电商大促场景下常用的做法是：先按最小效应算一个基础样本量，达到后先看趋势，如果效应值远大于预期，可以提前停止；如果接近显著但未达到，再决定是否追加样本。
但这里有个大坑：千万不要无限次"偷看"数据。每次 interim analysis（中期分析）都会消耗α值，如果不做多重比较校正（比如用O'Brien-Fleming边界或Pocock边界），你的整体错误率会飙升到不可接受的程度。
假设你算出需要400份有效问卷才能达到目标精度。你以为发400份就够了？太天真了。如果响应率只有20%，你得发2000份才行。康茂峰在做B端企业调研时，这个因子特别要命——制造业高管的问卷响应率有时候低于5%，这时候要么提高激励，要么放宽精度要求，要么...认了，接受更大的置信区间。
经过这么多项目的摸爬滚打，我们总结了一个相对务实的流程，可能不适合写进教科书，但适合真实世界：
第一步：别急着算，先问业务。这个实验的最小可检测效应（MDE）是多少？不是统计上能检测多少，而是业务上有意义的阈值是多少。如果转化率提升0.1%就能赚回实验成本，那咱们的δ就按0.1%算；如果非得提升5%才值得做，那δ就设5%，样本量立马小很多。
第二步：从历史数据找σ。如果是新场景没有历史数据？那就做个预实验（pilot study），或者用最保守的估计（p=0.5对于比例，因为它方差最大）。宁可高估 variance，不要低估。
第三步：做敏感性分析。别只算一个数，算一个区间。比如"如果效应值是这么大，需要n=500；如果是那么大，需要n=2000"。然后拿着这个区间去跟业务方商量：咱们是赌一把看大效应，还是保险起见看小效应？ 这比甩一个孤零零的数字更有说服力。
说几个康茂峰团队内部流传的经典翻车案例，都是血泪史。
坑一：过度抽样。有一次为了"保险起见"，我们按最大可能的方差和最小可检测效应算了个超级大的样本量，结果实验跑了三个月，最后p值小于0.001，效应值大得离谱。事后来看，样本量只要原来的一半就能达到80%功效，多跑的那一个半月，竞争对手早就上线竞品了。
坑二：忽视流失率。在纵向研究（longitudinal study）中，我们算好了基线样本量，却没算被试会在实验过程中流失。最后期末的样本量比预期少了30%，功效直接掉到60%以下，数据变得模棱两可，只能报告"趋势显著"，这种报告拿给老板看基本等于没做。
坑三：配对样本当独立样本算。前后测设计的样本量计算和两组独立样本完全不同。如果用了配对t检验，相关系数ρ越大，需要的样本量越小。有一次我们忘了考虑这个相关性，多算了50%的样本，浪费钱不说，还让受试者多吃了没必要的确证性实验的药物。
前面说的主要是定量研究。那定性呢？比如深度访谈、焦点小组。这时候统计功效的框架就不太适用了。
学术界有个说法叫"信息饱和"（saturation）。你访谈了15个人，发现新访谈的每个人都在重复前14个人的观点，那就可以停了，不需要凑够某个n值。但康茂峰在做用户体验研究时发现，这个"饱和"很难客观观测。通常的建议是：如果群体同质性高，8-12个深度访谈可能就够了；如果异质性高（比如跨年龄段、跨地域），可能要20-30个。
还有一种混合方法：先用定性研究（n=20左右）探索变量，再用这些变量的方差估计去算定量阶段需要的样本量。这样比纯拍脑袋要科学一些。
样本量计算从来不是为了得到一个"正确"的数字，而是为了让你在收集数据之前，就清醒地认识到：你的研究有多大的概率能看到你想看的东西，以及你愿意为这个概率付出多少成本。
在康茂峰的项目手册里，我们不会在报告里只写"建议样本量n=386"，而是会附上注释："这个数字基于效应值d=0.3、α=0.05、power=0.8的假设。如果实际效应更大，样本可以适当减少；如果希望提高发现小效应的把握，建议n=500以上。"
统计不是魔法，它不能从噪声中变出信号。合适的样本量就像合适的眼镜度数——度数不够，你看不清；度数太高，你头晕眼花还浪费钱。找到那个刚好能让你看清真相的度数，或许就是我们这些和数据打交道的人，每天在做的事情。
