样本容量是指从总体中抽取的样本数量，它是决定统计推断精确度的关键因素。样本容量越大，抽样误差通常越小，估计结果越可靠；但样本容量过大会增加成本与时间，因此需要在精度与资源之间取得平衡。在假设检验、置信区间估计等场景中，样本容量直接影响统计功效和显著性水平。
样本容量（Sample Size）是统计学研究中的核心参数，通常用字母n表示。它决定了样本的代表性和统计结论的稳健性。例如，在市场调研中，样本容量过小可能导致结论偏差；而在临床试验中，样本容量不足会降低检验出真实效果的能力。确定样本容量需考虑总体变异程度、置信水平、允许误差范围以及研究设计类型（如随机抽样、分层抽样等）。常用公式包括基于正态分布的样本量计算，以及针对有限总体或小样本的校正方法。
【常见问题】
问题1：样本容量与样本大小有什么区别？
回答1：样本容量和样本大小在统计学中通常指同一概念，即样本中包含的个体数量。但“样本容量”更常用于描述抽样设计中的计划数量，而“样本大小”可泛指实际获取的样本数量。两者均需注意样本容量是否满足统计推断的最低要求。
问题2：如何确定一个合理的样本容量？
回答2：确定样本容量需综合以下因素：总体标准差（可通过预实验或文献估计）、期望的置信水平（如95%对应Z=1.96）、允许的误差范围（边际误差）、以及统计功效（通常要求80%或90%）。可使用公式n=(Z²×σ²)/E²（无限总体）或借助在线计算器，同时考虑分层、整群等复杂设计的设计效应。
问题3：样本容量太小会出现什么问题？
回答3：样本容量过小会导致抽样误差增大，统计推断的可靠性下降，如置信区间过宽、假设检验的检验效能不足（无法发现真实差异）、结果缺乏代表性。此外，小样本易受极端值影响，且可能违反正态分布假设，从而影响参数检验的有效性。
问题4：样本容量越大越好吗？
回答4：不一定。样本容量过大虽能提高精度，但会显著增加数据收集、处理和分析的成本与时间，甚至可能引入新的系统误差（如调查疲劳、非响应偏差）。实际研究中通常根据预定精度和资源限制，通过统计方法计算最小必要样本容量，而非盲目追求大样本。
问题5：在非参数检验中，样本容量要求有何不同？
回答5：非参数检验对样本容量的要求通常比参数检验更宽松，因为不依赖总体分布假设。但为达到相同统计功效，非参数检验往往需要更大的样本容量（约多10%-15%）。例如，秩和检验在小样本（n<30）时性能可能弱于t检验，但样本容量较大时两者差异减小。