【锚点】这一篇只钉一个判断：调查里的【名义样本量 n】不等于【有效信息量】；【设计效应 deff】会把 n 折减，很多“大样本”其实只值一半。 【流程节点链路】抽样单元 → 聚类/分层设计 → 组内相关 ρ → 设计效应 deff → 有效样本量 n_eff → 标准误与置信区间。 【显式】deff 的定义是复杂抽样估计量的方差除以同样本量下简单随机抽样（SRS）的方差：deff = Var(ȳ_complex)/Var(ȳ_SRS)。对等规模聚类抽样，经典近似是 deff = 1 + (m-1)ρ，其中 m 是每个聚类的个体数，ρ 是组内相关系数（Kish, 1965; Cochran, 1977）。 【例子】200 个家庭 × 20 人 = 名义 n=4000。若 ρ=0.05，deff=1+19×0.05=1.95，n_eff≈4000/1.95≈2051。若 ρ=0.10，deff=2.90，n_eff≈1379。同一个“4000 人”调查，精度可能从“2000 人 SRS”掉到“1400 人 SRS”。 【隐式】为什么？SRS 里每多一个人，通常多一分独立信息；聚类里同家庭、同学校、同社区的人共享收入、健康、态度或测量误差，第 20 个人新增的独立信息小于第 1 个人。这不是道德问题，是信息结构问题。 【细微】更危险的是：加权可以修正人口结构，但不会自动消除设计效应。一个“代表性”加权样本仍可能因为聚类而 SE 偏小。计量经济学里，如果回归忽略聚类，标准误会系统性偏低；应使用 cluster-robust SE，且聚类单位通常是家庭、学校、地区，而不是个体。 【极难发现】真正的盲点是：独立观测单元常常不是“人”，而是“聚类”。如果研究单位是个体，但抽样或干预发生在家庭/学校/地区层面，那么把个体当 n 会高估精度。【待验证点】如果你的数据没有 cluster id，你无法估计 deff；此时任何“n=4000”的精度声明都不可审计。 【结论】在复杂抽样中，先问三个问题：独立单元是什么？ρ 或 deff 是多少？n_eff 是多少？再谈置信区间。 【辩论问题】如果一个调查把 n 从 2000 扩到 4000，但只是把每个家庭从 1 人扩到 2 人，它报告的置信区间应该变窄吗？还是应该报告“家庭数”而不是“人数”？