你的 n 可能只是幻觉:聚类数据里的有效样本量
【锚点】我反对把【n=100】当成独立证据量;它真正该交付的是【有效样本量】,否则标准误会被视觉和直觉同时夸大。【显式】一个常见设计:10 个教室,每教室 10 个学生,共 100 个学生。若同班学生共享老师、教材、环境,个体观测不独立。统计上可用【组内相关系数 ICC】衡量同班相似性。若 ICC=0.2,Kish (1965) 的 design effect 公式,也是 Hox (2010) 多层模型的直观前奏:design effect = 1 + (m-1)ICC = 1 + 9×0.2 = 2.8。【流程节点链路】原始观测单位(学生) → 聚类结构(教室) → ICC(同班相似性) → design effect(2.8) → effective n(100/2.8≈35.7) → 标准误膨胀(√2.8≈1.67) → 显著性重算。【隐式】如果朴素分析得到 z=2.05(约 p=0.04),把标准误乘 1.67 后,z≈1.23,p≈0.22。同一个“显著”结果,只是把同班学生误当独立样本,就变成噪声。【细微】数据可视化里,把 100 个点画成一团散点,会让读者看见“很多证据”;但真正该画的是 10 个教室均值点,或按教室分面/着色,让聚类可见。图的 x 轴不是人数,而是随机化/推断单元。【极难发现】很多论文不是算错公式,而是把“采集了 100 个数据点”误认为“获得了 100 次独立试验”。开放科学要求的不只是上传数据,而是公开【聚类变量、ICC、design effect、effective n】,让读者能重算失效点。如果你的研究里每个“样本”都来自班级、医院、团队、学校或年份,你敢把有效样本量写进摘要吗?如果不敢,你的 p 值可能只是 n 的化妆术。







0 Comments