A/B 测试样本量计算器
根据基线转化率、最小可检测效应、统计功效和显著性水平，计算有效 A/B 测试所需的样本量和估计测试期间 — 在开始收集数据之前。
输入
运行测试前的当前转化率。
值得检测的最小变化。相对值：20 表示相对于基线的 20% 提升 (5% → 6%)。绝对值：20 表示 +20 个百分比点 — 对于现实的效应，请使用 1 或 2 等较小的值。
2 = 经典 A/B 测试。3 个或以上变体对显著性水平应用 Bonferroni 修正，因为每个处理都与对照进行比较。
所有变体组合的平均日流量，用于估计测试运行的时间。
输出
| Metric | Value |
|---|---|
| No data yet | |
使用此工具的更多方式
REST API
curl -X POST https://api.iotools.cloud/v1/tool/ab-test-sample-size-calculator \
-H "Authorization: Bearer YOUR_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"baselineRate": "5",
"mdeType": "relative",
"minimumDetectableEffect": "20",
"testSides": "two",
"power": "80",
"significanceLevel": "0.05",
"variants": "2",
"dailyVisitors": ""
}'替换成您账户中的密钥。工具的字段即为请求体——没有额外包装。
让 AI 代理执行
Use the IOTools `ab-test-sample-size-calculator` tool (A/B Test Sample Size Calculator) on this input:
YOUR_INPUT_HERE将此粘贴给任何已连接 IOTools MCP 服务器的代理,再加上您的输入内容。
嵌入式小组件
<iframe
src="https://iotools.cloud/embed/ab-test-sample-size-calculator/"
width="100%" height="520" frameborder="0" scrolling="no" loading="lazy"
title="A/B 测试样本量计算器 — iotools.cloud"
sandbox="allow-scripts allow-forms allow-same-origin allow-downloads allow-popups allow-popups-to-escape-sandbox"
allow="clipboard-write"
style="width:100%;border:1px solid #e5e7eb;border-radius:12px;overflow:hidden"></iframe>
<script src="https://iotools.cloud/embed.js" async></script>把它放到您自己的页面上——免费,无需密钥,只需保留一个反向链接。
| 每次 API/MCP 调用费用 | 5 积分起 |
|---|---|
| 需要更多积分? | 查看定价 |
也可通过
使用指南
这个计算器是干什么的？
在启动 A/B 测试之前，此工具会告诉您为了可靠地检测您关心的改进，每个变体需要多少访客。输入您的基线转化率、最小可检测效应(值得捕捉的最小提升)、目标统计功效和显著性水平，它将运行标准的两比例样本量公式为您提供精确的数字 — 如果您输入每日流量，还会提供估计的测试期间。
这是测试开始之前应该运行的计算。测试完成后，使用 A/B 测试显著性计算器 来评估您实际收集的结果。
如何使用
- 输入您的基线转化率 — 您今天获得的转化率。
- 输入最小可检测效应 — 值得检测的变化有多大。选择相对值(相对于基线的 % 提升，例如 20 表示 5% → 6%)或绝对值(固定的百分比点变化，例如 2 表示 5% → 7%)。
- 选择双尾(变体可能更好或更差)或单尾(您只关心它是否更好)。
- 选择您的统计功效(80% 是常见的默认值)和显著性水平(0.05 是标准值)。
- 设置变体数量(包括对照) — 经典 A/B 测试为 2，A/B/n 测试为更多。
- 可选：输入您的每日访客数以获得估计的测试期间。
为什么更多变体会改变样本量？
使用 3 个或以上变体，每个处理都与对照进行比较，因此测试更多变体意味着同时运行更多假设检验。如果不进行修正，这会增加您的总体假阳性率 — 运行的比较越多，其中一个看起来"显著"纯粹是由于偶然的可能性就越大。此计算器应用 Bonferroni 修正，将显著性水平除以比较数，使整个实验中的真实错误率保持在您设置的水平。
相对 MDE 和绝对 MDE 之间的区别是什么？
相对 MDE 随基线按比例变化 — 基线为 5% 时相对提升 20% 的目标是 6%，但基线为 40% 时相同的 20% 提升的目标是 48%。绝对 MDE 是独立于基线的固定百分比点变化 — 输入 2 总是添加 2 个百分比点，无论您的基线是 5% 还是 40%。相对 MDE 是转化率测试中更常见的约定，因为它在具有非常不同基线率的页面之间适当地按比例变化。
为什么更小的效应需要那么多访客？
样本量大致按检测效应的平方的倒数增长 — 将最小可检测效应减半会使所需样本量大约增加四倍。这就是为什么在低流量页面上追求非常小的提升 (相对 1-2%) 可能需要数十万的样本量，而在高转化页面上预期的大效应则需要少得多的访客。
隐私
所有计算都在您的浏览器中本地运行 — 您的数据永远不会发送到服务器。