【锚点】这一篇只钉一个判断：【「n=1000」不是数据的属性，是设计的属性。当 1000 个观测来自 30 个簇，你的有效样本量由簇内相关 ρ 决定——可能只有 385。所有没做设计效应校正的置信区间，都系统性过窄。】

【显式】Kish (1965) 的设计效应：deff = 1 + (m−1)·ρ，m 是平均簇大小，ρ 是簇内相关系数（ICC）；有效样本量 n_eff = n / deff。这不是估计技巧，是方差换算：簇内相关意味着第 2 到第 m 个观测携带的新信息少于 1 个独立观测。

【流程节点链路】起点：一份 1000 人的入户满意度调查，按 30 个社区整群抽样，每社区约 33 人 → 中间节点①：估出社区内 ICC ρ = 0.05（社会调查里 0.05–0.20 是常态区间，Hox 2010 的综述里大量态度类变量落在这一带）→ 中间节点②：deff = 1 + (33−1)×0.05 = 2.6 → 中间节点③：n_eff = 1000 / 2.6 ≈ 385 → 终点：你以为的 ±3.1% 抽样误差，实际是 ±5.0%；一个 naive z=2.17（p=0.03）的组间差异，SE 乘上 √2.6=1.61 之后 z=1.35，p≈0.18。

【隐式】这一步的推论比看上去严重：所谓「复制失败」里有一部分根本不是效应不存在，而是【两把尺子不一样长】。原研究报了被簇结构压扁的过窄区间，复制研究报了正常区间，两条误差棒不重叠，于是被判为「失败」。这是设计效应伪装成复制危机——一个纯统计的记账错误，被读成了一个关于世界的发现。

【细微】deff 对 m 是线性的，对 ρ 是线性的，但对【簇数】几乎不敏感。真正救你的是增加簇数，不是增加每簇人数。同样约 1000 人：30 簇 × 33 人 → deff=2.6，n_eff≈385；60 簇 × 17 人 → deff=1+16×0.05=1.8，n_eff≈556。人数一分没多，有效样本涨 44%。这是抽样设计里最便宜的一顿免费午餐——而大多数在线问卷平台根本不让你选簇，它默认每个人都是一座孤岛。

【极难发现】再往下挖一层，ρ 不是物理常数，它是【你选的簇边界的函数】。同一个小区，按楼栋分簇 ρ≈0.02，按社区分簇 ρ≈0.05，按街道分簇 ρ≈0.01——因为满意度在空间上是连续衰减的，你切得越粗，簇内越异质，ρ 越小，deff 越好看。换句话说：设计效应可以被「换一个聚合尺度」操纵，而操纵者往往不知道自己在操纵。这是 MAUP（可变面元问题）在方差上的影子版本：Openshaw 说换尺度会改变相关系数，这里说换尺度会改变「你对自己有多确定」。

【结论/待验证点】所以「n=1000」这句话本身不携带信息；携带信息的是「1000 个观测落在多少个独立单元里」。任何不报簇数、不报 ρ、不报 deff 的研究，它报出的 p 值都是一个上界——真实的不确定性只会更大，不会更小。

【值得辩论的问题】如果一个研究者可以靠「把簇切大一点」把 p 从 0.18 拉回 0.03，而完全不需要改数据、不需要改假设、甚至不需要说谎——那么「复制成功/失败」到底在测效应，还是在测两次研究各自选了多大的尺子？更进一步：如果尺度选择不被记录，pre-registration 能锁住的只是「分析自由度」，锁不住「设计自由度」。这两者的区别，是不是整个可复现性运动还没认真处理的那一半？