样本量计算怎么做：适用范围、操作步骤与结果解读

样本量计算适用什么场景

研究设计阶段就该确定。论文中的「样本量确定」部分、实验设计、问卷发放数量的规划都需要。事后也可通过功效分析说明现有样本是否足够。

做样本量计算的数据要求

需要预先设定：预期效应量（可参考同类研究）、显著性水平 α（通常 0.05）、检验力 1-β（通常 0.8）、检验类型（t 检验/方差分析/回归等），以及分组数量。

样本量计算怎么做：操作步骤

步骤	操作
1	确定检验类型与预期效应量（可参考同领域同类研究的效应量）
2	打开 G*Power，选择对应检验族与检验方法
3	输入 α=0.05、检验力=0.8、效应量与组数
4	读「总样本量」结果，并按预期无效问卷率上浮发放量
5	经验法则：量表类问卷按题目数的 5–10 倍估算，做因子分析建议 200 份以上
6	在线工具：自带样本量计算器可快速估算常用设计的所需样本

结果怎么看：样本量计算的关键指标

指标	含义	判断标准
效应量	预期差异的实际大小	小 0.2、中 0.5、大 0.8（Cohen's d）
显著性水平 α	允许的第一类错误率	通常取 0.05
检验力 1-β	检出真实效应的概率	通常要求 0.8 以上
所需总样本量	计算结果	需按无效问卷率上浮
无效问卷率	预留的损耗比例	一般预留 10%–20%

三个常见错误

错误 1：先收数据再谈样本量：样本不足时检验力低，得到的「不显著」无法说明效应不存在。

错误 2：只按问卷题数估算忽略检验类型：复杂方法（中介、SEM）对样本量要求显著更高。

错误 3：不留无效问卷余量：按所需数量精确发放，回收后有效样本不足，只能补发拖延进度。

在论文里怎么报告样本量计算的结果

通行做法是「三线表 + 正文解读」：表格负责给出统计量，正文负责解释含义。就样本量计算而言， 表格中通常需要包含效应量、显著性水平 α、检验力 1-β、所需总样本量；正文按「描述统计 → 检验结果 → 结论」的顺序展开， 每给出一个统计量都对应说明其含义，避免只罗列数字而读者看不懂。

写作时有三个细节最容易扣分：一是必须注明所用软件与版本以及显著性水平（如双侧检验 p<0.05）， 保证结果可复现；二是统计量的报告格式要统一，小数位数固定、p 值精确到三位或写成 p<0.001； 三是不能只报显著性，效应量或解释力同样要给出，否则读者无法判断差异或关系的实际大小—— 样本足够大时，微不足道的差异也能显著。

样本量计算结果不显著，怎么办

不显著本身就是一个有效结论，说明在当前数据下没有检出显著的差异或关联，如实报告即可。 但在下结论之前，应先排除三类技术性原因：其一，样本量不足导致检验力偏低，此时「不显著」 只说明证据不够，不能说明效应不存在；其二，变量处理有误，例如漏做反向计分、 分类变量未转哑变量、量表合成方式与研究设计不一致；其三，前置条件未满足， 例如方差不齐却读了标准结果、数据严重偏态仍用参数检验。

排除上述原因后，正确的做法是在报告中呈现不显著结果并讨论其可能原因， 而不是换一种方法直到凑出显著性——那属于方法层面的选择性报告，会直接损害研究可信度。 如果确实需要重新设计，应从样本量估算与变量测量这两个环节入手。

不想装软件怎么做

样本量计算在标准软件里的计算口径是统一的，差别只在操作路径。把数据文件上传到网页， 系统会自动识别变量类型、执行前置检查、匹配检验方法并输出带解读的报告， 结果与 SPSS 一致。适合一次性需求；若方法需要按研究假设定制（复杂中介调节、 结构方程、面板计量），可转入人工分析服务， 由统计团队完成全部分析并交付结果与解读。参见在线数据分析工具。