现在，将美国人口想象成一个巨大的瓮中的弹球。有些球上标有KC（即Kidney Cancer的简称）字样，表示肾癌。你抽取弹球样本，并依次按照所在县摆放，你会发现乡村地区的样本要比其他地区的少。如同杰克和吉尔所做的那个游戏一样，极端的结果（非常高或非常低的癌症发病率）容易出现在人口稀少的县，这个故事告诉我们的就是这些。

我们从一个令人费解的事实说起：肾癌的发病率在各县有所不同，且是有规律的，我用统计学理论对此作了解释：相比于大样本，极端的结果（高发病率和低发病率）更容易出现在小样本中。这样的解释不存在因果联系。某县的人口稀少既不会引发癌症，也不能避免癌症，只会使癌症的发病率比人口稠密地方的发病率更高（或更低）。这就是真相，没什么可解释的。在某个人口稀少的县，癌症发病率并非真的比正常情况更低或更高，只是这个县正好在某个特殊的年份赶上了抽样调查罢了。如果我们在第二年重复这样的分析，也能预测到在小样本中出现极端结果的一般模式，但在前一年癌症发病率高的县，这一年发病率并不一定高。如果是这样的话，则人口稠密或稀少的因素就无法对发病率作出解释了：这些表面因素就是科学家眼中所谓的假象，即观察结果完全依赖于调查方法的某一方面，在这个案例中，则依赖于样本大小。

我刚才说的例子也许会令你惊讶，但这并不是真相初次大白于天下。你早就知道应该更相信大样本，并且即使是对统计学一无所知的人也听说过大数法则。但是“知道”并非是非抉择问题，你可能会发现下列陈述放在自己身上很合适：

当你阅读这个关于流行病学的例子时，并没有立刻注意到“人口稀少”这一特点与此次调查有何关联。

对于采用4个样本还是7个样本所产生的不同结果，你至少会感到有一点惊讶。

即使是现在，想要确定下面两个陈述句所说的完全是一回事，你也要费些脑力：

（1）大样本比小样本更精确。

（2）小样本比大样本产生极端结果的概率大。

第一个表述清晰地陈述了一个事实，但直到感受到第二个表述传达给你的意思，你才意识到自己并没有真正理解第一个表述的意思。

上述内容概括起来就是：没错，你知道大样本的结果更精确，但你现在可能才意识到你并不清楚为什么它们更精确。不仅你一人如此，阿莫斯与我在一起进行的第一个研究表明，即使是经验丰富的研究人员对样本效应也缺乏直觉，要么就是理解不到位。