区间宽度随样本量变化，需同时给出样本量
别名: 样本量标注 · 区间宽度解读
概念解释
置信区间的宽度不是数据的固有属性，而是样本量的函数：同样均值和方差的数据，样本量从 30 增加到 3000，95% 置信区间宽度缩小约 10 倍（宽度与 √n 成反比）。因此，图表上看到的"窄区间"可能反映的是真实的小方差，也可能只是样本量大；"宽区间"可能反映数据本身波动大，也可能只是样本太少。没有样本量信息，读者无法把区间宽度归因于数据特性还是收集规模——而这两种归因导出完全不同的行动（改进产品 vs 收集更多数据）。
机制
区间宽度与样本量的关系来自估计精度的数学结构：标准误 = 标准差 / √n，置信区间 ≈ 标准误 × 常数。样本量进入的是平方根——这意味着收益递减：样本量翻倍区间只缩窄到原来的 1/√2（约 71%），从 100 到 10000（百倍样本）区间只缩到十分之一。这个平方根关系决定了图表上的两个现象：其一，小样本时区间宽度对样本量极其敏感（30 → 100 样本区间缩了近一半），读者看到的宽区间可能只需要再收集一点数据就能显著收窄；其二，大样本后区间收窄的边际收益趋近于零，图表上两条几乎同样宽的区间可能对应 10 倍的样本量差异。读者需要样本量信息来判断"这个区间是数据的属性还是收集的属性"，进而判断下一步该改进产品还是该积累数据。
边界
样本量不是区间宽度的唯一决定因素：方差同样影响宽度（高方差的小样本产生宽区间），所以窄区间不能直接推断大样本。区间宽度对样本量的敏感度还受置信水平影响：99% 区间天然比 95% 宽约 30%，跨图比较时如果置信水平不同，宽度的差异可能来自水平而非样本量。对于非独立样本（时间序列、聚类数据），有效样本量小于名义样本量，基于 n 计算的区间会系统性偏窄——此时同时标注名义 n 和有效 n 更诚实。当图表展示的是比率或比例时，区间宽度还受基础率影响（接近 0% 或 100% 的比率天然区间更窄），样本量的解读需要配合基础率。
怎么落地
- 每个含置信区间的图表在标签、悬浮提示或图注中同时给出样本量 n。
- 分组对比图表中各组样本量差异超过 2 倍时，用条形或数字显式标出各组 n，避免读者把宽度差异全部归因于数据波动。
- 在组内样本量极不均衡的图表上（如某组 n=5，其余 n=1000），对极小样本组额外标注"样本不足"。
- 验证：请一位读者解读图表上某组的窄区间是"数据稳定"还是"样本大"；如果读者无法判断因为图上没有 n，即样本量标注缺失。