常用方法会导致错误的结果
该方法很诱人，但却是错误的（因此被划掉）：
请勿在开始研究前选择样本量，只需在收集更多数据时重复统计分析，然后：
该方法的问题是，如果您不想要该结果，您会继续进行，但如果您想要该结果，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%。
演示问题的模拟
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型错误。
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”。
试验1（绿色）：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。试验2（红色）：N = 61时以及N = 88或89时，P值小于0.05。N = 92至N = 100时，试验3（蓝色）曲线的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”。在第一项（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 = 6时，我们会停止第二项（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组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型错误。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型错误（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型错误。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。您喜欢结果并停下来，您会欺骗自己，但当您不喜欢结果时，则继续执行。另一种方法是使用专门的排序或自适应方法，该方法会考虑到您在分析数据时的实际情况。如需了解这些技术的更多信息，请在高阶版统计书籍中查找“排序”或“自适应”方法。
