陷阱
常见的样本量错误
样本量问题通常源于规划上的捷径，而非数学计算错误。本页将介绍最常导致结果不充分或误导性的常见错误。
使用样本量而不考虑任何背景信息
一个常见的错误是直接从其他项目中复制数据，而不去核实其假设条件。一个适用于某种误差范围、总体或决策背景的合理样本，可能并不适用于你的情况。
样本量应该始终与研究目的相关。
忽略子组
总样本量可能看起来足够大，但如果每个细分市场的样本量过小，子组报告就会失效。这种情况经常发生在团队事后想要比较不同部门、地区、渠道或客户层级时。
在实地考察开始前，先规划好各小组的需求。
把回应和邀请混淆
另一个常见的错误是将所需完成的样本数量当作需要联系的人数。如果回复率较低，邀请计划的规模必须远大于目标回复数量。
这是实地调查计划问题，而不是样本量公式问题，但两者经常被混淆。
- 盲目复制基准数据
- 忽略子组要求
- 在缺乏证据的情况下使用乐观假设。
- 过早停止数据收集
如何及早避免这些错误
如果团队在数据收集开始前就记录下他们的假设，并根据实际项目限制条件进行检验，那么大多数样本量误差都会显现出来。这种简短的规划步骤比单纯依靠公式更能及早发现逻辑上的缺陷。
区分统计问题和操作问题也很有帮助。统计效力不足和响应率低在实践中可能看起来很相似，但它们源于不同的计划失误。
- 项目启动前，请写下所有假设。
- 检查子群体的需求，而不仅仅是总样本。
- 将已完成的回复转化为所需的宣传推广量。
- 制定停止规则，防止团队过早退出。