研究说了什么
样本量估算的公式本身很简单，两组事件率比较的近似式是，每组所需人数与效应量的平方成反比，与显著性水平和把握度对应的系数成正比。真正难的是往里填什么数。第一个谬误是把效应量取自已发表的小样本研究。小样本的效应估计方差大，只有偏大的结果更容易被发表，于是文献里的效应量系统性高于真实值，用这个数去算样本量，得到的其实是一个偏小的数字。第二个谬误是脱落率按最好情况估。若预计两年脱落两成，却按一成计算，最终可分析人数不足，把握度从八成掉到六成多，阴性结果无法区分是真无效还是样本不够。第三个谬误是多重比较。主要终点一个、次要终点八个、亚组十几个，若仍按零点零五判定，假阳性概率会迅速膨胀；二十次独立检验里至少出现一次假阳性的概率约为六成四。三者叠加的效果很直观：一个真实相对风险下降百分之十五的干预，被写成下降百分之二十五，样本量需求会少一半以上，试验从一开始就注定把握不足。举例来说，对照组事件率一成、干预组预期八成，双侧零点零五、把握度八成，每组约需三千二百例；若把预期效应翻倍，人数立刻降到八百例上下。
为什么重要
抗衰试验的样本尤其容易在估算阶段失守。健康老年人的事件率低，两年内失能或死亡的比例可能只有百分之五，而要检出百分之二十的相对下降，人数会到五位数，资金与招募都难以支撑。于是设计者倾向于乐观：把效应量调大、把随访拉长、把脱落率压低，账面上一千人就够，实际执行时招不满、留不住、事件数不够，最后草草收场。资金评审与伦理审查都应把样本量假设当作可核查的证据，而不是一句基于既往研究。可核查的做法包括：效应量取自同类干预的元分析而非单项研究，按置信区间下界做敏感性估算，脱落率按历史数据的上限计，主要终点只保留一个，次要终点明确声明为探索性并给出层级检验顺序。若确实需要检验多个终点，应预先设定 alpha 分配方案，如固定序列法、Holm 法或图形法，把总误判率控制在约定水平。这些做法不提高成功率，但能保证失败时知道自己在哪一步失败。还有一个现实约束是招募能力：样本量算得再准，若目标人群在预定时间内招不满，试验会延长随访或放宽入组标准，两者都会改变原先的统计假设。方案里写明招募上限与备选策略，比事后解释更有用。对资助方，审查样本量假设应当像审查预算一样具体。ALLHAT 纳入四万二千余人，才足以在几类降压药之间分辨出幅度不大的事件差异；若按两千人的规模设计，这个问题几乎注定无法回答。
证据与边界
方法学文献反复报告，相当比例的试验在结果发表时把握度不足，且样本量计算与论文中描述的参数不一致。这类调查多为横断面审阅，无法证明样本量错误直接导致了阴性结果，但方向上的关联稳定。也要承认，样本量估算不是精算，它依赖对事件率与效应的先验判断，允许合理的不确定性。问题不在估算有误差，而在误差只朝一个方向偏，且从不做敏感性分析。另一个常被忽略的边界是时间：事件率随随访延长而累积，若分析时点提前，实际事件数会低于设计值，把握度随之下降。解决办法不是事后改样本量，而是在方案中写明事件驱动的分析计划，按实际事件数而非日历时间触发最终分析。对读者，看到一项阴性试验时，先查它的把握度与事件数，再判断是干预无效，还是试验根本没能力回答这个问题。也有相反的情形：样本量过大，把临床上微不足道的差异推到统计显著，结论写着有效，实际意义却接近于零。因此报告效应量与置信区间比报告 P 值更重要。举例来说，对照组事件率百分之五、每组一千例、随访两年，预期事件约二百例；若实际只观察到一百二十例，把握度会从八成跌到六成以下。