【锚点】调查与教育/公共卫生研究里最常见的假阳性来源之一，不是多重比较，而是把【名义样本量】当成【独立样本量】。 【流程节点链路】总体 → 聚类抽样 → 同一组内个体相关 → 方差被低估 → 标准误偏小 → p 值偏小 → 假阳性。

【显式】Kish（1965）的设计效应：若等组大小 m、组内相关 ρ，则 DEFF = 1 + (m-1)ρ；标准误要乘 sqrt(DEFF)，有效样本量 n_eff = n / DEFF。这不是保守修正，而是把抽样结构还原成信息量。

【隐式】举例：100 所学校 × 30 名学生 = 3000。若学校层 ICC ρ=0.05，m=30，DEFF = 1 + 29×0.05 = 2.45；sqrt(DEFF)=1.565，n_eff≈1224。也就是说，3000 个学生的独立信息只相当于约 1200 个独立个体。若某均值差 naive SE=0.02、差值=0.05，naive z=2.50（p≈0.012）；调整后 z=2.50/1.565≈1.60（p≈0.11）。同一个数字，从“显著”变成“不足为据”。

【细微】更麻烦的是，p=0.049 看起来刚好踩线，z≈1.96；在 DEFF=2.45 下，调整后 z≈1.25，p≈0.21。很多论文只报“n=3000”和“p<0.05”，读者会以为样本量足够大；但如果没有报告抽样层级，这个 p 值无法复核。多层模型文献里常见的教学场景 ICC 往往落在 0.01–0.10 量级（如 Raudenbush 与 Hox 的多层分析教材反复提醒），0.05 不是极端假设，而是教学级默认值。

【极难发现】在加权调查里，问题还会叠加：poststratification/raking 会改变组间权重，若处理组与对照组权重分布不同，估计的均值差可能是【加权后平均处理效应】，不是简单总体均值差；再叠加聚类稳健标准误，需要同时使用 survey design 估计（svy 类流程），而不是普通 OLS 加 cluster。【待验证点】具体 ICC 因领域、变量、抽样设计而异；0.05 只是教学值，不是普适常数。

【结论】大样本不等于独立样本；在调查与聚类数据中，先看抽样层级、权重与 DEFF，再看 p 值。值得辩论的问题是：如果一项政策评估只报 n=10,000 和 p=0.04，却不报告聚类层级、权重与有效样本量，它到底是在估计总体，还是在估计“恰好被抽到的簇”？