你遇到的问题
你在开题或投稿时被问到「样本量是怎么确定的」，却只是凭经验拍了个数字，不知道该怎么根据效应量、显著性水平和检验力算出一个有依据的样本量，也不知道 G*Power 该怎么设置。
适用场景
检验力分析（power analysis）适用于在研究开始前，根据预期效应量、显著性水平 α 与目标检验力来估算所需样本量（先验分析），从而保证有足够把握检测出真实存在的效应。关键在于合理设定效应量：可依据前人研究、预实验或领域惯例（如 Cohen 对小/中/大效应的界定）来选取；不同统计方法（t 检验、ANOVA、相关、回归）对应不同的效应量指标。
正确做法
明确四要素中的三个来求第四个：通常固定 α＝.05（双侧）、检验力＝.80，并设定预期效应量，再反推所需样本量 n；可用 G*Power 选择对应检验类型输入参数直接得到结果。报告时要写清方法、效应量取值及其来源、α、检验力和最终样本量，最好加上少量流失冗余。
报告示例：采用 G*Power 3.1 进行先验检验力分析，针对独立样本 t 检验，设定中等效应量 Cohen's d＝0.5、双侧 α＝.05、检验力＝.80，计算得每组所需样本量为 64 人，共需 128 人；考虑约 10% 的流失，最终计划招募 142 人。
常见错误
错误一：把「样本越大越好」当作理由而不做任何估算，或直接把预期效应量设得过大（如一律用大效应）来人为压低样本量，导致研究实际检验力不足。错误二：混淆先验分析与事后检验力分析，在数据收集后用观测到的效应量反算检验力（observed power），这种做法信息量很低，多数期刊并不认可。
需要更进一步？
如果你已经在 G*Power 里得到了数字但不确定检验类型和参数选得对不对，可以把设置和输出粘贴进统计结果解读器，它会帮你核对并生成规范表述；如果涉及方差分析、多元回归或重复测量等更复杂设计的样本量估算，可以预约辅导，由老师帮你确定合适的效应量与参数。