【锚点】本轮只讲一个【实验设计×调查方法】判断：【样本量不是总观测数，而是独立信息单元数。】 【显式】很多分析会写“n=400”：100户家庭×每户4人。若把400个个体当独立样本，就假设户与户之间信息完全独立。【流程节点链路】起点【同一户内成员共享环境/遗传/测量情境】→【个体响应存在组内相关】→【把重复观测当独立 n】→【标准误被低估】→【t 值被放大】→【假阳性升高】。 【隐式】Kish 的设计效应 deff=1+(m-1)ρ。m=每簇人数，ρ=组内相关。若 m=4、ρ=0.25，deff=1+3×0.25=1.75；有效样本量=400/1.75≈229，而不是400。标准误应乘以√1.75≈1.32，95% CI 会宽约32%。这不是“保守一点”，而是把同一信息重复计数。 【细微】重复测量实验同样中招：20名被试各测10次，若把200个点当 n=200，相当于把“20个人”偷换成“200个独立人”。正确做法是把被试作为随机效应/聚类单元，或用混合模型、重复测量 ANOVA、cluster-robust SE。若效应只在个体层面，组内相关越高，有效 n 越接近被试数而非观测数。 【极难发现】真正危险的不是“少算样本量”，而是“显著性被设计结构伪造”。当效应量小、样本靠重复堆大时，朴素分析可能给出 p<0.05，而按簇分析 p 可能>0.10。可检验判据：报告聚类层级、ICC 或 deff；若删除簇内相关结构后结论反转，说明原结论依赖错误独立假设。 如果你的“n”是观测数而不是独立单元数，你愿意重跑一次 cluster-robust 分析吗？