Osake on se osa perusjoukosta, jonka avulla voidaan tehdä päätelmiä perusjoukosta. Perusjoukkoa koskevien täydellisten tietojen tutkiminen ei ole mahdollista, ja se on aikaa vievää ja kallista. Näin ollen tarvitsemme sopivan otoskoon, jotta voimme tehdä päätelmiä perusjoukosta kyseisen otoksen perusteella.

Yksi yleisimmistä ongelmista tilastollisessa analyysissä on sopivan otoskoon määrittäminen. Voidaan kysyä, miksi otoskoko on niin tärkeä. Vastaus tähän on, että validiteetti edellyttää sopivaa otoskokoa. Jos otoskoko on liian pieni, sillä ei saada päteviä tuloksia. Sopiva otoskoko voi tuottaa tarkkoja tuloksia. Lisäksi pienen otoskoon tulokset ovat kyseenalaisia. Liian suuri otoskoko johtaa rahan ja ajan tuhlaamiseen. On myös epäeettistä valita liian suuri otoskoko. Otoskoon määrittämiseksi ei ole olemassa mitään tiettyä nyrkkisääntöä. Jotkut tutkijat kuitenkin kannattavat nyrkkisääntöä otoskokoa käytettäessä. Esimerkiksi regressioanalyysissä monet tutkijat sanovat, että havaintoja pitäisi olla vähintään 10 per muuttuja. Jos käytämme kolmea riippumatonta muuttujaa, selkeä sääntö olisi, että otoskoko olisi vähintään 30. Jotkut tutkijat noudattavat tilastollista kaavaa otoskoon laskemiseksi.

Otoksen koko luottamusvälien perusteella: Otoskokoa laskettaessa olemme kiinnostuneita laskemaan populaatioparametrin. Näin ollen meidän on määritettävä luottamusvälit niin, että kaikki otoksen arvot ovat kyseisen luottamusvälin alueella.

Otoksen koon laskeminen efektikoon perusteella

Vaihtoehtoinen lähestymistapa otoskoon laskemiseen on efektikoko. Efektikoko tunnetaan otostilastojen erotuksena jaettuna keskivirheellä. Tehokkaammin se on seuraava:

Kun efektikoko on arvioitu, voidaan käyttää seuraavaa taulukkoa otoksen estimoinnissa:

Kuten edellä mainittiin, alfa on yhtä suuri kuin tyypin I virheen hyväksyttävä todennäköisyys ja beeta on kakkostyypin virheen hyväksyttävä todennäköisyys ja 1-beta on yhtä suuri kuin teho. Koska teho kasvaa eri alfa-tasoilla, myös otoskoko kasvaa.