统计学致力于在群体层面上探索和发现事物背后的规律。统计分析结果的可靠性高度依赖样本量的大小。正如松哥所言：“样本量要适当，少则不达，多则溢。”这句话强调了样本量选择的重要性。过小的样本量可能会导致即使有显著差异也无法被识别出来，而过大的样本量则可能产生误导，即使实际上没有差异也可能得出存在差异的结论。为了更准确地把握样本量的大小，最好在研究开始前制定一个样本量的预估方案。

样本量的确定受到以下五个主要因素的影响。

（1）检验水平（α）：也称为显著性水平，表示在假设检验中，拒绝实际上成立的H ₀ （原假设）的概率，即犯Ⅰ型错误的概率。通常，α≤0.05。检验水平α值越小，对差异的要求越严格，所需的样本含量就越大。Ⅰ型错误指的是实际上组间差异不存在，但统计推断错误地认为存在差异的情况。

（2）把握度（1 – β）：β称为Ⅱ型错误，指的是在实际上存在组间差异时，统计推断却未能拒绝H ₀ （原假设）的概率。把握度（1 – β）是指当组间确实存在差异时，统计分析能够检测到这种差异的能力。β值越小，对差异的检测能力越强，所需的样本量也就越大。通常，β = 0.10，也可以β =0.20。把握度可以理解为“如有差异，统计可见”的能力。

（3）变异（σ）：变异反映了样本中个体间的差异程度。如果个体间的差异较大，为了保证统计推断的准确性，就需要更大的样本量来抵消这种变异带来的影响。相反，如果研究对象个体差异较小，则所需的样本量也相应较小。

（4）允许误差（δ）：也称为效应量或组间效应的差异程度，它表示不同干预措施可能产生的疗效差异。允许误差越小，即希望检测到的差异越精确，所需的样本量就越大。反之，如果允许误差较大，样本量则可以相应减少。

（5）单双侧检验：在假设检验中，差异性检验和等效性检验通常需要进行双侧检验，即检验差异是否大于或小于某个值。而非劣效性和优效性检验则只需要进行单侧检验，即检验差异是否大于或小于某个值。由于单侧检验只需要考虑一个方向的差异，所以通常所需的样本量少于双侧检验。