书上说：
当样本量软件产生的试验样本量超过了可纳入的参与者人数的时候，会发生什么呢？通常，研究者会逆向计算，为了能满足可纳入参与者的数量，他们使用低的把握度（如0.40）来估算样本量。这种解决方法可能多是惯例。
Chalmers说明所谓的低把握度试验可以被接受，因为它们最后能通过meta分析整合起来。但是许多统计学家似乎并不支持这个观点，甚至包括那些赞同小规模试验的人。我们同意Chalmers的观点，但我们的支持附带了三个条件。
首先，试验应该在方法学上非常严谨，如此可以消除偏倚。不幸的是，需要足够把握度这个咒语往往盖过了方法学中的其他部分讨论。例如，不充分的随机化往往产生偏倚的结果，并且这些偏倚的结果不能被补救，即使是能实现非常好的精神度的大样本量。相反，如果研究者充分地设计和执行了试验，最终仍能产生一个对效果没有偏倚的估计，即使试验有低的把握度。
其次，作者必须充分地报道他们的研究方法和结果，以避免误解。如果他们在报道试验结果时使用了区间估计，那么宽的治疗效果估计的可信区间将准确地描述 低把握度。可信区间的报道是有价值的贡献，可以避免有简单的P>0.05所带来的“无证据证明有，不等于有证据证明无”的问题。
第三，低把握度的试验无论结果如何必须被报道，才能被meta分析采用。发表偏倚最严重的问题就是不发表低把握度的试验。发表偏倚是指发表的试验不能 代表所有已开展的试验，通常是因为统计学显著的结果比不确定的结果更容易被接受和发表。低把握度的试验易出现这样的问题，因为它们有更多的机会产生不确定 的结果。但是，责难所有低把握度试验并阻止它们实施都会妨碍重要的研究。
听我说：
并不是所有的试验把握度都必须设置成0.05，有些低把握度的试验，在方法学上非常严谨，就不应该被把握度这个咒语盖过了其他为部分的讨论。一个对效果没有偏倚的估计，即使试验是低的把握度，也往往比抓住把握度不放的试验来的更为真实有用。
你可以：
当所需样本量超过可纳入的人群时，可适当的降低把握度，在其它设计上更为严谨的试验，比把握度更为有用。