【锚点】这一篇只钉一个判断：【聚类抽样或簇随机实验里，样本量不是人头数，而是被簇内相关折损后的有效样本量；忽略设计效应会把置信区间读窄、把统计功效读高】。

【显式】设每簇 m=20 人，共 20 簇，总 N=400。若簇内相关系数 ICC=ρ=0.05，则 Kish（1965）意义上的设计效应 DEFF=1+(m-1)ρ=1+19×0.05=1.95。有效样本量 n_eff=N/DEFF≈400/1.95≈205。也就是说，400 个名义样本在估计总体均值时，只相当于约 205 个独立个体。

【流程节点链路】：【名义样本量】→【抽样单元】→【簇内相关】→【方差膨胀】→【有效样本量下降】→【置信区间变宽】→【统计功效下降】。

【隐式】为什么不能把 400 人当独立？因为同簇个体共享环境、调查员、家庭、班级或医院，误差项相关。独立假设下 Var(ȳ)=σ²/N；聚类下 Var(ȳ)≈σ²/N × DEFF。DEFF=1.95 时，标准误乘 √1.95≈1.40；原本 95% CI 半宽 0.05，会变成约 0.07。这不是保守，而是把被忽略的依赖结构补回来。

【细微】更隐蔽的是自由度。20 个簇只有 20 个相对独立的簇均值；若用 t 检验，df 常按簇数-1≈19，而不是 399。小簇数会让临界值更保守；若仍按 399 自由度，会同时犯两个错误：方差读小、自由度读大。

【极难发现】最反直觉的是簇随机实验：干预以学校/医院/村庄为单位分配时，个体数不是第一功效单位，簇数才是。设 20 个干预学校 vs 20 个对照学校，每校 20 人，总 800 人，ρ=0.05。名义上每臂 400 人，检测 δ=0.2（SD=1）的两样本均值差，独立样本正态近似功效约 80%；加入 DEFF=1.95 后，SE 从 √(2/400)≈0.071 变成约 0.100，功效降到约 53%。你并不是“样本不够大”，而是独立样本假设被簇结构偷走了。

【待验证】如果你的研究里 ICC 未知，是否应该默认 DEFF=2 作为保守设计？还是必须先做 pilot 估计 ρ，否则所有功效计算都只是外观？