一、为什么样本量论证至关重要？
样本量论证并非简单的数字罗列，而是向评审专家展示研究者严谨研究设计的核心环节。一个充分的论证能证明研究者明确知道“需要多少数据才能回答研究问题”，既避免了因样本不足导致的统计效力低下、结论不可靠，也规避了因样本过大造成的资源浪费，体现了研究规划的科学性与可行性。
二、论证的核心要素：明确前提与计算公式
一个完整的论证应包含以下逻辑链条：1）明确主要研究指标（如均值差异、相关系数、率的差异）；2）设定统计参数（检验水准α、检验效能1-β、预期效应量）；3）选择并引用计算公式。常用公式如下表所示：
| 研究类型 | 常用公式/方法 | 关键参数 |
|---|---|---|
| 比较两组均值（如t检验） | 独立样本t检验样本量公式 | 预期均值差、合并标准差、α、β |
| 检验率或比例（如卡方检验） | 两个率比较的样本量公式 | 预期率p1、p2，α、β |
| 问卷/量表信效度检验 | 基于题项数、预期因子载荷等的规则 | 一般建议为题项数的5-10倍 |
| 定性研究（如访谈） | 信息饱和原则 | 通常预估15-30人，并说明直到无新主题出现 |
三、撰写步骤与文字表述技巧
撰写时，建议按此步骤展开：首先，陈述研究设计（如“本研究采用随机对照试验设计”）。其次，说明主要结局指标及统计方法。接着，列出上述计算参数及其依据（如“根据文献报道，预期效应量为0.5…”）。最后，使用G*Power等软件计算得出样本量，并说明考虑到XX%的脱落率，最终样本量将确定为N例。表述上，应力求精准，避免使用“大约”、“若干”等模糊词汇。
四、常见问题与提升建议
常见问题包括：依据不足（仅说“参考类似研究”）、参数来源不清晰、未考虑多重比较或脱落率。提升建议如下：
- 参数依据：优先引用权威指南、预实验或高质量文献中的估计值。
- 软件工具：使用专业软件（如PASS, G*Power）计算并附上截图或程序名以增强可信度。
- 敏感性分析：简要说明若预期参数变化，样本量将如何调整，显示您考虑的周全性。