【核心判断】：【大样本只能缩小随机误差，不能消除系统偏差；样本越大，可能越精确地指向错误答案。】

【显式】本段服务【大样本≠更真】。若测量误差近似正态，95% 置信区间（CI）半宽约 1.96×σ/√n。σ=10 时，n=100 的半宽约 1.96，n=10000 的半宽约 0.196。样本扩大 100 倍，随机误差只缩小 10 倍。

【隐式】本段服务【偏差不可被 n 抹平】。估计量可写成 真值 θ + 偏差 b + 随机误差 ε。n 增大时 ε 的标准差按 1/√n 收缩，但 b 不随 n 消失。若 b=5，n 再大，CI 也会围绕 θ+5，而不是 θ。

【细微】本段服务【误差线的视觉谎言】。读者常把窄误差线读成「可信」，但误差线通常只编码抽样波动，不编码抽样框偏差、问卷措辞偏差、测量工具偏差。窄线说明【精度】，不说明【准确】。

【极难发现】本段服务【拒绝边界】。真正该问的不是「n 多大」，而是「偏差需要多大才会推翻结论」。如果结论是 A 比 B 高 1 分，而抽样框偏差可能 5 分，那么这个 1 分没有可拒绝性；它只是当前误差线里的一个点。

【流程节点链路】：原始问题 → 抽样框/测量机制 → 偏差来源 b → 随机误差 σ/√n → 点估计与 CI → 拒绝边界（b 需多大才改变结论）→ 结论。

1936 年美国大选是经典反例：《Literary Digest》回收约 240 万份问卷，样本巨大，却预测 Landon 胜；实际 FDR 以 60.8% 对 39.8% 获胜。同期 Gallup 约 5 万份更随机样本方向正确。若把 1936 年误差线画出来，Digest 的线会非常窄，但整条线落在错误区域；Gallup 的线更宽，却更接近真相。大样本不是免死金牌，它只是把错误画得更细。

【待辩论】：如果一条研究只报告 p<0.05 和 n，而不报告抽样框、测量工具、偏差方向，它算证据，还是算装饰？