在完全随机设计中确定样本量是一个非常重要的步骤，它直接影响研究结果的有效性和可靠性。样本量的确定需要考虑多个因素，包括预期的研究效应大小、研究的统计功效（即检测出真实效应的能力）、显著性水平以及可能存在的数据丢失或不完整情况等。
1. 预期效应大小：这是指你希望通过研究发现的效果强度。例如，在比较两种治疗方法效果时，你需要估计这两种治疗之间差异的大小。这个值通常基于先前的研究、临床经验和/或专家意见来确定。
2. 统计功效：统计功效是指当实际上存在一个效应时，你的研究能够检测到该效应的概率。一般推荐的最低统计功效为80%，意味着有80%的机会正确地拒绝零假设（即认为两组间没有差异的情况）。更高的统计功效需要更大的样本量。
3. 显著性水平：这是指错误地拒绝零假设的风险，通常表示为α值，默认情况下常设为0.05。这意味着在实际上不存在效应的情况下，你有5%的概率会错误地得出存在效应的结论。
4. 数据丢失或不完整情况：实际研究中可能会遇到参与者退出、数据缺失等问题，因此在计算样本量时需要考虑这些因素，并适当增加样本数以确保最终分析有足够的统计功效。

确定了上述参数后，可以使用专门的软件（如G*Power, PASS等）或者公式来计算所需的最小样本量。例如，在进行两独立样本均值比较的研究中，可以通过以下简化公式估算样本大小：

n = (Zα/2 Zβ)^2 * (σ1^2 σ2^2) / δ^2

其中：
- n 是每组需要的样本数量
- Zα/2 和 Zβ 分别是对应于所选显著性水平和统计功效的标准正态分布分位数
- σ1 和 σ2 分别为两组数据的标准差估计值
- δ 代表预期效应大小

需要注意的是，上述公式仅为一个简化的例子，在实际应用中可能需要根据具体的研究设计选择合适的计算方法。此外，样本量的确定还应该考虑到研究资源、伦理考量等因素。