用途：在收集任何个案之前，先固定三件事——抽样框、抽样方法、样本量逻辑，并把推广性主张与它们绑定。它不运行研究、不挑选检验，只阻止按习惯决定样本量与招募。
核心规则：抽样对象与数量必须服从你想要的推断——检验用功效，估计用精度，理论用饱和。更大的 N 无法修复破损的抽样框。样本量不是单一计算，而是与推断匹配的逻辑：假设检验需要先验功效分析（效应量+α+目标功效⇒N）；估计目标需要精度目标（某置信水平下的误差范围）；定性研究由饱和/信息功效决定，而非公式。若抽样框遗漏或过度代表目标人群的一部分，覆盖误差与自选择无法靠多收集治愈。
适用场景：需要多少参与者/访谈/受访者；样本是否足以检测效应（先验功效）；调查了 300 名学生能否推广到所有成年人（抽样框+方法）；结果不显著是否应继续收集直到显著（否，需预先设定）；该用哪种抽样方法（分层、整群、配额等）。
不触发：问卷措辞（转 survey-design）、数据到手后选检验（转 test-selection-guard）、软件执行功效分析（转 statistical-analysis）、扎根理论编码机制（转 qualitative-methods）、选择设计与识别假设（转 ssci-design-gate）。
三种样本量逻辑：检验假设用先验功效分析，输入预期效应量、α、目标功效（通常 .80/.90）与检验，常见错误是用膨胀的预试效应量或事后“观测功效”；估计数量用精度/误差范围，输入期望半宽、置信水平、预期方差/比例，常见错误是只报 N 无 CI 目标；构建/精炼理论（定性）用饱和/信息功效，输入范围、样本特异性、对话质量、分析策略，常见错误是照搬固定 N=12。
抽样框与方法先于样本量：命名目标人群，再命名实际可抽取的抽样框，二者差距即覆盖误差，需说明。只有概率抽样（每单位已知非零选择概率：简单随机、分层、整群、系统）支持带抽样误差量化的统计推广；非概率抽样（便利、配额、滚雪球、目的）只支持分析/理论推广，不得附加误差范围。高无应答率会重新引入选择偏差，需计划、报告并考虑加权。
常见借口与现实：能收多少收多少——便利样本量不是功效；不显著就加数据——可选停止会膨胀假阳性率，应预注册 N 或使用校正边界的序贯设计；300 是大样本所以可推广——推广来自抽样框与方法而非数量；事后功效显示检验没问题——事后功效是 p 值的确定性函数，无新信息；定性做 N=12 因为标准——饱和/信息功效需从范围与数据质量论证。
交接：追加设计护照字段 target_population、sampling_frame（含命名覆盖缺口）、sampling_method（概率/非概率+具体设计）、size_logic（power|precision|saturation）及其输入与结果 N（或饱和论证）、expected_nonresponse、generalization（statistical|analytical）。后续 inference-gate 会据此审计最终推广主张。
自检：样本量逻辑是否匹配推断；检验的 N 是否来自基于可辩护效应量的先验功效分析；抽样框是否说明并命名覆盖缺口；样本是概率还是非概率且推广主张是否匹配；是否计划无应答/流失。
参考：references/sampling_and_power.md 提供样本量逻辑、设计效应、有限总体校正与报告模板；scripts/sample_size.py 提供两组均值与两组比例设计的标准库先验 N 计算。属于 AlterLab Academic Skills 套件。