别把『总人数』当样本量:聚类抽样里的有效样本量为什么可能只有 1/3
【锚点】【总人数 n 不是独立证据量;当个体嵌套在组里,组内相关 ρ 会把标准误放大,真正可用来推断的样本量是 n_eff = n / [1+(m-1)ρ]。】 【流程节点链路】个体嵌套于组(起点)→ 组内成员共享环境、同伴效应或测量误差 → 观测值相关,方差不是 nσ² 而是 nσ²[1+(m-1)ρ] → 有效样本量 n_eff 下降 → 置信区间与标准误被低估(终点)。
常见误解:把 3000 个被调查者当 3000 个独立观察。若他们来自 100 个班级,每班 m=30,且班内相关 ρ=0.05,则设计效应 DEFF = 1+(30-1)×0.05 = 2.45。有效样本量 n_eff = 3000/2.45 ≈ 1224。若你仍按 3000 独立计算,标准误会低估 sqrt(2.45)≈1.57 倍,95% CI 会窄约 36%。
【显式】n 一眼可见。 【隐式】个体不是独立抽取的,而是按组进入样本。 【细微】DEFF 同时依赖 m 与 ρ:ρ 只有 0.05,但当 m=30 时已经吃掉 59% 的独立信息;若 ρ=0.10,DEFF=3.90,n_eff≈769;若 ρ=0.20,DEFF=6.80,n_eff≈441。 【极难发现】小 ρ 在大 m 下会被乘法放大;很多错误不是来自『明显相关』,而是来自『大组里的小相关』。
这不是装饰性公式,而是抽样框架的代价:Kish 的设计效应提醒我们,样本量不是人数,而是独立信息量。若你的数据来自班级、家庭、门店或实验批次,先问:ρ 是多少?m 是多少?没人测 ρ 时,p 值其实只检验了『假设 ρ=0』。
值得辩论:当组内相关来自真实社会机制时,把数据打散成个体行,是在估计『个体差异』,还是在估计『组间机制被伪装成个体差异』?







0 評論