一边研究一边选择样本量的吸引力

对于许多人而言，在研究开始前计算样本量似乎比较麻烦。为什么不在收集数据时进行分析？如果您的结果没有统计学显著性，则收集更多数据，并重新分析。如果您的结果具有统计学显著性，那就停止研究，不要把时间和金钱浪费在更多的数据收集。

该方法的问题是，如果您不喜欢结果，您会继续做，但如果您喜欢结果，您会停下来。其结果是，如果零假设为真，则获得“显著”结果的几率远高于5%。

模拟显示不预先选择样本量的危险

下图通过模拟说明这一点。我们通过绘制高斯分布的值，模拟数据（平均值 = 40，SD = 15，但这些值是任意的数值）。两组均使用完全相同的分布进行模拟。我们在每组中选择N = 5，计算非配对t检验并记录P值。然后我们给每组增加一名受试者（所以N = 6），并重新计算t检验和P值。我们重复该过程，直至每组中的N = 100。然后我们重复整个模拟三次。通过比较具有相同群体平均值的两组，完成这些模拟。因此，我们获得的任何“统计学显著的”结果均必须是一个巧合 - I型误差。

该图表绘制Y轴上的P值与X轴上的样本量（每组）的关系。图表底部绿色阴影的区域显示，P值小于0.05，因此被视为“具有统计学显著性”。

绿色曲线显示第一组模拟试验的结果。N = 7时，P值小于0.05，但对于所有其他样本量，P值高于0.05。红色曲线表示第二个模拟试验。N = 61时以及N = 88或89时，P值小于0.05。蓝色曲线表示第三个试验。N = 92至N = 100时，其P值小于0.05。

如果我们遵循连续的方法，我们会宣称所有三个试验的结果均“具有统计学显著性”。在绿色试验中，N = 7时，我们会停止，因此永远不会看到曲线的虚线部分。N = 61时，我们会停止红色试验，且N = 92时，我们会停止蓝色试验。在这三种情况下，我们会宣称结果具有“统计学显著性”。

由于这些模拟是为两个群体中真实平均值相同的值创建，因此任何“统计学显著性”的声明均为I型误差。如果零假设为真（两个群体平均值相同），则预计在5%试验中会出现这种I型误差（如果我们使用alpha = 0.05的传统定义，则小于0.05的P值被认为显著）。但使用这种连续方法，我们所有三个试验均会导致I型误差。如果您充分的延长试验（无限的N），所有试验最终均会达到统计学显著性。当然，在某些情况下，即使无“统计学显著性”，您最终也会放弃。但这种连续方法将在远远超过5%试验中产生“显著”结果，即使零假设为真，且因此，该方法无效。

最后一行

务必选择样本量并坚持下去。如果看到预期结果并停下来，看到非预期时继续执行，这就是自欺欺人。如果试验在结果不具有统计学显著性时继续，但在结果具有统计学显著性时停止，则将会错误地得出结果具有统计学显著性的概率远远大于5%。

有一些特殊的统计学技术用于顺序分析数据，如果结果不明确，则增加更多受试者，如果结果清楚，则停止试验。在高级统计学书籍中查找“顺序医学试验”，了解更多信息。