样本量计算不准大概率是这五个参数没设对

样本量计算是在研究设计、临床试验方案以及A/B测试开始之前就应当完成的关键步骤，其结果的准确性直接决定后续结论的可靠程度。实际项目中出现样本量计算失真，绝大多数原因不是公式选错，而是投入计算的参数本身出了问题：效应量估值与真实情况脱节、显著性水平与检验目的错配、统计功效设定缺少依据，以及单双侧检验方向和组间分配比例没有预先明确。上述五类参数共同构成样本量计算的输入边界，任何一项失真都会让输出结果偏离真实需求。

效应量估算偏差是样本量计算失衡的首要原因

效应量是样本量计算中影响幅度最大的参数，它衡量的是研究拟检测的差异或关联的真实大小，常见形式包括标准化均值差Cohen's d、两组率差以及相关系数等。效应量取值每缩小一半，所需样本量就会扩大为原来的四倍左右；反之，效应量被高估时计算出的样本量会严重不足。

效应量的取值应当来自既往同领域研究的实测结果、预试验数据或该领域的公认最小临床意义差值，而不是由研究者主观推测。据《新英格兰医学杂志》（NEJM）发表的方法学评论指出，在药物临床试验中，效应量若被高估30%，最终检验的实际功效往往会从预设的80%跌至55%以下，使得本应显著的组间差异无法被检测出来。

在工程实践中的A/B测试场景里，效应量通常指转化率的绝对提升或相对提升。设定效应量时需要同时考虑商业价值和可检测性，建议将效应量设为产品方认为值得投入的最小提升幅度，而不是参考历史上表现最好的实验数据，否则极易造成样本量计算值偏小。

显著性水平α值决定假阳性率控制阈值

显著性水平α是预先设定的犯第一类错误（假阳性）的概率上限，在样本量计算公式中通常作为分母项出现，α取值越小则所需样本量越大。α=0.05代表在所有组间差异其实不存在的场景下，统计检验有5%的概率错误地得出存在显著差异的结论。

在探索性分析或大规模筛选场景中，α可以放宽至0.1以控制研究成本；在确证性临床试验或涉及安全性的研究中，α常设定为0.025甚至更小以严格管理错误结论风险。α的选择必须发生在数据收集之前，若事后调整α值，则整个推断体系丧失有效性。

当研究涉及多个主要终点或进行多次中期分析时，α还需要按照Bonferroni法等策略进行拆分，这种校正后的α值才是真正进入样本量计算模型的参数。许多人直接在样本量计算器中填入原始α值而忽略多重性校正，最终得到的样本量偏小，检验结论的可信度随之受损。

统计功效1-β的设定决定研究能否发现真实差异

统计功效是指在备择假设为真的条件下，统计检验能够正确拒绝原假设的概率，其数值等于1减去第二类错误概率β。功效设定越高，样本量需求越大，常规研究设计中功效不应低于80%，关键性研究通常要求达到90%。

据世界卫生组织（WHO）《研究设计中的伦理学考虑》技术报告以及国际药物经济学与结果研究学会（ISPOR）的共识文件，低于70%功效的研究在伦理上难以被接受，因为受试者承担了风险却无法为科学问题提供可靠答案。

实际工作中设置功效时还应当考虑样本流失率或数据缺失率。若预估有20%的样本会因失访、设备故障或用户流失而无法进入最终分析，则在样本量计算输出的基础上应再除以有效样本保留率，确保最终入组数量满足功效要求。

单侧检验与双侧检验的选择直接改变样本量规模

单侧检验只在预设的方向上考察差异，其α值全部集中在分布的一侧尾部，因此在相同显著性水平和统计功效下，单侧检验所需的样本量通常比双侧检验少10%到20%。这种样本量计算上的差异来自概率密度函数尾部的面积分配变化，而非检验逻辑存在简化。

单侧检验的使用必须具有充分的前置依据，例如药物的毒理机制决定了新制剂只能降低而不可能升高某项生物标志物，或产品迭代方案已从物理逻辑上排除了转化率变差的可能性。缺乏这些前置依据时只能选择双侧检验，否则研究结论容易被质疑。

主流统计软件中单双侧参数的位置

在PASS、nQuery、G*Power以及R语言的pwr包中，均存在alternative或tails参数用于声明单侧或双侧检验类型。G*Power的均值差异检验界面中，Tail(s)下拉菜单包含Two和One两个选项，选择One时程序会在效应量基础上自动纳入单侧检验的临界值计算方法。

from statsmodels.stats.power import TTestIndPower
# 双侧检验：effect_size=0.5, alpha=0.05, power=0.8
analysis = TTestIndPower()
n_two = analysis.solve_power(effect_size=0.5, alpha=0.05, power=0.8, alternative='two-sided')
# 单侧检验：相同参数下样本量更小
n_one = analysis.solve_power(effect_size=0.5, alpha=0.05, power=0.8, alternative='larger')
print(f"双侧检验样本量: {n_two:.1f}")
print(f"单侧检验样本量: {n_one:.1f}")

相同统计功效和显著性水平下，上述两种alternative选项输出的样本量差异通常在8%至15%的范围。工程团队在撰写实验设计文档时，必须将单双侧选择的理由写入分析计划，以便评审者清晰追溯样本量计算的全部输入脉络。

组间分配比例影响总样本量的最优化程度

两组样本量的分配比例是样本量计算中容易被忽视但实际影响明显的参数。对照组的样本量与试验组的样本量相等时，在总样本量固定的条件下统计功效达到最大；当分配比偏离1:1时，检测相同效应量所需的总样本量将逐步增加。

例如在1:1分配下需要1000例总样本即可达到80%功效的双样本率比较场景，改为2:1分配后总样本量需增加约12.5%才能维持相同功效。资源稀缺的试验组或成本较高的干预组可以接受较小比例，但对应的总样本量必须随之放大。

常见分配比例对总样本量的放大系数

在A/B测试系统中，流量分配还受到最小可检测效应量和实验时长上限的双重约束。若某一版本只获得10%的流量而另一个版本获得90%，样本量计算必须将这一比例显式写入模型，而不能简单地按照各版本等量流量的方式估算。

样本量计算并不是一个孤立的数学公式套用过程，它应当被理解为对研究假设精密程度的量化检验。效应量、显著性水平、统计功效、单双侧选择以及分配比例，这五个参数中的每一个都承载着来自领域知识、历史数据和实验约束的明确信息。若将这五个参数的取值依据完整写入实验方案，样本量计算不仅能为研究节省资源，更能在结果出现边缘显著性时，让团队清晰分辨是真实差异微弱还是设计灵敏度天然不足。