1 サンプル数の基本
1.1 定義と考え方
1.1.1 観測単位とデータ個数
サンプル数は、統計解析の対象となるデータを構成する「観測単位」の個数として理解される。観測単位は、個人・世帯・実験試料・観測点・時間区間など、研究の設計により定義が変わる。たとえば、同一人物の複数回測定がある場合、サンプル数が「人物数」なのか「測定回数」なのかで意味が変化する。解析結果の妥当性は、推定や検定が想定する単位と、実際に数えた単位が一致しているかに依存する。
また、同じ件数でも、データ収集過程で重複が含まれる場合や、1つの記録が複数の観測単位をまとめて表している場合には、単純な件数集計がサンプル数の実態を反映しないことがある。そのため、サンプル数は「単位の定義」と「数え方」の両面を含む概念である。
1.1.2 標本サイズ（n）としての表現
多くの文献ではサンプル数は記号 n で表される。n は推定量のばらつきや推定精度を左右し、標準誤差の大きさや信頼区間の幅に影響する。一般に、同質な観測単位が独立に得られるという理想化のもとでは、n が大きいほど推定は安定化し、不確実性は小さくなる。
ただし n は常に「そのまま」の精度を意味するわけではない。欠損値の除外、重み付け、相関（独立性の破れ）、層別設計、クラスタ化などにより、有効に情報を運ぶ量が変わる。このため実務では、報告される n が「未処理の収集数」なのか「解析に投入された件数」なのかを区別し、必要に応じて有効サンプル数も併記する。
1.2 関連する概念
1.2.1 母数・母集団との関係
母集団とは理想的に対象とする全体であり、母数はその母集団に定義される未知の量である。サンプル数は、その母数を推定するために母集団から観測単位を抽出した結果として生じる。理想的には、抽出の方法（ランダム性）と観測単位の代表性が保証されるほど、有限の n でも母数に近づく推定が期待できる。
一方で、n が同じでも抽出が偏っていれば推定の中心（平均的なずれ）は縮まらず、精度だけが良く見える状況が起こる。したがってサンプル数は不確実性の縮小に寄与する一方、バイアスの有無は別の要因として評価する必要がある。
1.2.2 有効サンプル数（有効n）
有効サンプル数（有効 n）は、実際の観測数 n が持つ情報量を、独立で等分散の観測が得られる理想条件に換算した量として扱う考え方である。重み付け、クラスタ化、欠損処理、分散の不均一性などにより、情報が十分に活かされない場合には有効 n が見かけの n より小さくなる。
有効 n は状況依存で定義されるため、どの推定方法・どの分散評価に対応した有効 n かを明確にすることが求められる。例えば重み付き解析では、重みのばらつきが大きいほど有効 n は減少しやすい。クラスタ設計では、同一クラスタ内の観測が相互に似るほど情報は冗長になり、有効 n は縮む方向に働く。
2 サンプル数が与える影響
2.1 推定精度と不確実性
2.1.1 標準誤差との関係
標準誤差は、推定量が繰り返し標本を取るときにどれほど揺れるかを表す尺度である。理想的条件では、標準誤差はおおむね 1/√n に比例して小さくなる。つまりサンプル数が増えるほど推定のばらつきは減少し、結果の再現性が高まる。
ただし現実には分散の大きさ（母集団内のばらつき）や、独立性の程度、モデルの妥当性、欠損や重みの影響で標準誤差の変化は単純な 1/√n から外れることがある。したがって「n 倍すれば誤差が○分の1」という形の単純換算は、前提条件が満たされる場合に限って妥当と考えるのが安全である。
2.1.2 信頼区間の幅への影響
信頼区間は推定量に対して不確実性の範囲を示すため、標準誤差や自由度の影響を受ける。概念的には、信頼区間の幅は標準誤差が小さいほど狭くなる。よって独立で情報が均一に増える場合、サンプル数の増加は区間幅を縮める方向に働く。
もっとも、信頼区間の計算方法（正規近似、漸近近似、ブートストラップ、分位点法など）や、推定量の分布形状（歪みや裾の厚さ）によって、n と区間幅の関係は一様ではない。特に極端な分布では、n が増えても単純な期待通りに縮まない場合があるため、適切な方法で区間推定を行う必要がある。
2.2 検出力と意思決定
2.2.1 検定における検出力
検出力（power）は、ある効果が存在するときに帰無仮説を棄却できる確率を指す。サンプル数が増えると推定の揺れが小さくなり、効果が一定の大きさで存在する場合に検出されやすくなる。一般に、同じ有意水準で比較した場合、n の増加は検出力を高める方向に働く。
ただし検出力は単に n の大きさだけで決まらない。効果量、分散、設計（片側・両側）、仮定するモデル、ばらつきの推定方法などが影響する。そのため事前に検出力分析を行い、目標とする検出力に到達する n を設計することが実務上重要になる。
2.2.2 極端値やばらつきの影響
極端値（外れ値）や観測のばらつきが大きいと、推定や検定の安定性が損なわれやすい。n を増やしても、極端値の頻度や影響が構造的に大きい場合には、標準誤差が縮みにくく、信頼区間が広い状態が続くことがある。さらに分布が重い裾を持つと、平均や分散の安定性が遅れ、近似に基づく手法の性能が低下することがある。
このため、サンプル数に加えて分布特性やロバスト性（外れ値に対する頑健性）を評価する必要がある。解析では事前の品質確認、変数変換、頑健推定、適切な診断などの組合せで、情報がどれほど「有用」になるかを考えることが求められる。
3 サンプル数の算出と扱い
3.1 欠損値・除外条件
3.1.1 欠損の種類と処理方法
欠損値は、値が観測されなかった理由に応じて性質が異なる。代表的には、欠損がデータの内容と独立であると仮定できる場合、観測された情報に条件づけることで欠損メカニズムが説明できる場合、そして説明できない要素に依存する場合が区別される。これらの区分は解析結果の偏りに影響するため、単に「欠損を削除したので n が減った」という報告だけでは不十分になりやすい。
処理としては、完全ケース解析、欠損カテゴリの導入、平均代入などの単純代入、複数代入、モデルベース補完などがある。どの方法でも最終的なサンプル数の意味が変わる。削除を行えば有効 n が小さくなる一方、補完を行えば観測数自体は維持されても、推定の不確実性評価が別の形で表現される。
3.1.2 フィルタリングによる減少
解析対象を絞るために、特定条件を満たすデータのみ採用する処理（フィルタリング）が行われることがある。例として、妥当範囲外の記録の除外、特定期間のデータのみ使用、必要変数が揃うレコードだけを対象とする条件などが挙げられる。フィルタリングは研究目的に沿う場合もあるが、恣意性が入るとバイアスの原因となる可能性がある。
また、除外基準が複数段階に及ぶと、途中でサンプルがどれだけ減ったかを追跡しない限り、結果の解釈が難しくなる。実務では、除外のフローチャートや段階別の n を記載し、「解析に投入されたデータがどのように構成されたか」を再現可能な形で示すことが望ましい。
3.2 重み付け・層別設計
3.2.1 重み付き推定と有効サンプル数
調査の対象が設計上の確率で抽出される場合、あるいは測定の重要度や欠測の補正が必要な場合、重み付き推定が採用されることがある。重みは各観測単位の寄与度を調整し、推定値の妥当性を高める目的で使われる。
一方、重みのばらつきが大きいと、少数の観測が推定を支配しやすくなり、情報量が見かけ上の件数ほど増えない。ここで有効サンプル数が登場し、重みの構造に応じた縮小が起こる。したがって、有効 n を併記することで、表面上のサンプル数と実際の精度のギャップを説明できる。
3.2.2 層別抽出とサンプル内訳
層別抽出は、母集団を複数の層に分けてから各層からサンプルを採る設計である。層ごとに対象の性質が異なる場合、単純抽出よりも精度が改善する可能性がある。層別設計では、全体の n だけでなく、層ごとの内訳が重要になる。各層のサンプル数が極端に小さいと、その層に関する推定が不安定になり、全体の結果にも影響が波及する。
解析では、層ごとに重みや補正係数を用いて集計する場合があるため、層別ごとの有効な寄与も変わる。報告時には層別のサンプル配分、欠損や除外の発生状況、層内のばらつきなどを明確にすることで、精度の根拠を説明しやすくなる。
4 サンプル数の報告と実務上の注意
4.1 レポート時に明記すべき事項
4.1.1 何をもってサンプル数としたか
レポートでは、サンプル数が「何を単位として数えたか」を具体的に示す必要がある。たとえば個人単位なのか、測定回単位なのか、あるいはイベント（発生）単位なのかを明確にする。さらに、同一個人の複数記録がある場合は、その扱い（平均化、選別、混合効果モデルでの扱い等）も同時に記載しなければ、n の解釈が誤りやすい。
また、解析に投入したデータと、収集したデータの差分（除外や欠損対応）を分けて記載することが重要である。n を単一の数値として書くだけでは、読者が前提条件を推測することになり、再現性が損なわれる。
4.1.2 欠損処理と除外基準の提示
欠損値の扱いと除外条件は、サンプル数の意味を決める中核情報である。完全ケース解析を採用したのか、代入を行ったのか、除外基準はどの変数のどの条件に基づくのかを記載する必要がある。加えて、欠損が生じた場合の割合や、解析対象から外れたレコードの規模を示すと、読者が不確実性の源泉を理解しやすくなる。
除外基準は研究目的や妥当性の観点から正当化されるべきであり、恣意的に見えない形で記述することが求められる。特に段階的な除外がある場合は、各段階のサンプル数を追跡可能に示すと解釈の質が向上する。
4.2 よくある誤解
4.2.1 収集数と有効サンプル数の混同
収集数（登録・取得された件数）と有効サンプル数を同一視することは、精度の過大評価につながりやすい。収集数が多くても、欠損や除外により解析に使われないデータが多ければ、有効な情報量は小さくなる。さらに重み付けやクラスタ設計により、情報が冗長化している場合も、見かけの n は実効的な精度と一致しない。
したがって「全体の対象数」だけでなく、「解析に寄与した量」を説明する工夫が必要である。有効 n が計算されている場合は、その定義と算出条件を含めて報告することで誤解を減らせる。
4.2.2 独立性の前提を無視した解釈
多くの基本的な誤差評価は、観測単位が独立であるという仮定に依存する。ところが実データでは、同一個人の反復測定、同一施設内のデータ、時間的に連続する観測などにより、独立性が成り立ちにくい場合がある。独立性が破れると、単純に n を増やしても誤差が想定ほど減らず、信頼区間の評価が不適切になり得る。
このため、反復構造や階層構造を伴う設計では、相関を考慮したモデルや分散推定を選ぶことが重要になる。サンプル数を語る際には、観測単位の独立性がどの程度成立しているか、あるいは補正を行ったかを併記する姿勢が望まれる。