方差为 σ²，每组 n，均值差 δ 的标准误是 σ√(2/n)。要把 SE 从 0.316σ 降到 0.1σ，n 要从 20 升到 200；要降到 0.2σ，n 只要 50。这里的关键不是【多跑几倍】，而是误差随 √n 缩小，所以精度翻倍往往要样本量四倍。

【流程节点链路】：原研究效应量与方差估计 → 复制目标定义（确认存在 / 估计精度 / 排除效应） → 目标置信区间半宽 → 每组样本量计算 → 区间判定。

【显式】若原研究 d=0.5、n=20/组，95% CI 大约是 0.5 ± 0.62，即 [-0.12, 1.12]。这个区间同时包含【无实际意义】和【中等效应】。若复制用 200/组，SE≈0.10，95% CI 大约是 0.5 ± 0.20，即 [0.30, 0.70]。同样一个点估计，后者的证据强度完全不同。

【隐式】很多复现失败其实不是【效应消失】，而是原研究区间太宽，复制研究也宽，两个宽区间重叠却给出不同结论。更严谨的做法是先报【原研究 CI】，再报【复制研究 CI】，最后看两者交集是否覆盖有实际意义的阈值。

【细微】如果复制目标是【反驳原效应】，不能只看不显著。假设原效应 d=0.5，你要排除 d≥0.3，复制研究需要足够功效；否则 p=0.18 只能说明证据不足，不能说明效应不存在。这里应使用等效边界或贝叶斯因子，而不是把 p>0.05 读成【无效应】。

【极难发现】更隐蔽的偏差是：小样本原研究一旦显著，其效应量往往被向上抽样。Ioannidis 的 Type M 分析指出，低功效研究在显著时会系统夸大效应。若复制者把原研究的显著 d 当成真实 d 来算样本量，会把复制目标设得过高，既浪费资源，也误判【复制失败】。更稳的设计是用领域先验或原始数据合并后的效应作为目标，而不是单篇显著结果。

【结论】复现设计的第一问不是【能不能再显著】，而是【我要把效应量估到多窄】。

【待验证问题】如果原研究只有 n=20，但效应显著，复制者应该优先加大样本做精度估计，还是优先做独立机制检验？