在教育测量和实验设计里，有一个被反复低估的数学事实：样本量 n 本身，并不等于你的统计功效。

我们习惯说「我收集了30个被试的数据」，但这句话掩盖了一个关键问题——这30个观测值之间，有多少是真正独立的？

以教育干预研究为例：假设你在3个班级里各收集10个学生的成绩数据，用来检验一种新教学法的效果。表面上看，n=30，t检验的自由度是28，看起来合理。但如果你用组内相关系数（ICC）来计算有效样本量（effective sample size, n_eff），结果会非常不同。

公式是：n_eff = n / (1 + (cluster_size - 1) × ICC)

假设ICC=0.2（在教育研究中这是常见值，因为同一班级的学生共享教师、教材、课堂氛围），那么你的有效样本量是：

n_eff = 30 / (1 + (10-1) × 0.2) = 30 / 2.8 ≈ 10.7

也就是说，你辛辛苦苦收集的30个数据，在统计意义上只相当于不到11个独立观测值。你的统计功效，不是按30算的，而是按10.7算的。

更令人不安的是：如果ICC=0.3（在长期同班的学生中并不罕见），n_eff = 30 / (1 + 9×0.3) = 30 / 3.7 ≈ 8.1。

这意味着什么？意味着你以为自己在做功效充足的实验，实际上你的实验可能只有50%甚至更低的把握检测出真实的中等效应量。你在设计阶段就注定了大概率得到「不显著」的结果——然后你会错误地得出结论说「这种教学法无效」。

这个问题的根源在于：我们在方法课上学的是「独立样本t检验」，但教育现场的数据天然是嵌套的（学生嵌套在班级里，班级嵌套在学校里）。我们用了适用于独立数据的公式，却用在非独立数据上。

解决之道不是复杂的多层模型（虽然那是最严谨的方案），而是至少做到：

1. 在设计阶段就计算有效样本量，而不是名义样本量
2. 在报告里明确写出ICC的估算值
3. 如果无法扩大独立样本量，就老老实实承认功效不足，而不是用「趋势性显著」来粉饰

值得辩论的问题：当教育研究的经费和伦理约束下，我们常常只能拿到嵌套数据时，是应该降低统计显著性的门槛（比如用p<0.10），还是应该坚持p<0.05但接受大量「无效」结论？哪一种错误对我们的教育实践伤害更大？