每一位研究者，可能都有一颗降低样本量的心。
其实在样本量计算的一般考虑与注意事项 (trialstats.com)中，哪些因素可以影响样本量的计算结果，已经说得很清楚了。
这里说说这些参数的设置，如何影响样本量的大小
1、检验水准（α）：一般就是双侧0.05/单侧0.025了，非要设置成0.01，样本量的计算结果会增大；
2、检验效能（Power=1-β）：设置到80%的水平就不能再低了；Power越大，需要的样本量越多；
3、如果两组比较（其它情况类似），在其它参数水平不变的情况下，两者差异越大，需要的样本量越小；反之就越大；
4、对于计量资料，数据的变异（标准差/方差）越大，在其它条件不变的情况下，需要的样本量就越多，反之，如果标准差/方差很小，则样本量的计算结果就会较小；
5、一般计量资料的非劣效检验，界值（负值）的绝对值越大，相同条件下的样本量计算结果就越小；如果是优效性检验，则界值（正值）越大，需要的样本量就越多；
6、生存分析的样本量计算一般需要风险比（HR），非劣效界值（HR>1）越大样本量越小；优效性界值（HR<1）越小，样本量越大。
说在最后：
样本量的计算，本来是研究开始前的一项设计工作，现在更多地可能成了一些研究者的累赘，想尽办法要把样本量这个数字降下来，当然，出于现实的考虑这也没有什么，这样的申办者和研究者我也遇到了很多，可以理解。
但是话说回来，样本量的规模，与研究结果的可靠性密切相关。在同样条件下，规模越大的研究，也越值得依赖，就是这个道理。
所以，多大的样本量才是刚刚好？既不使研究规模过大，也不会有太低的Power，我想这就是所谓的QbD的原则之一吧。