嗨，我来帮你理清楚这个问题～

首先明确说结论：非参数检验通常不会帮你减少所需的样本量，反而可能需要更大的样本规模才能达到同样的统计效力。原因很简单：非参数方法不依赖于数据的分布假设（比如正态分布），这确实让它适用范围更广，但也牺牲了参数检验利用已知分布特性带来的效率。要达到相同的power（80%）和显著性水平（5%），非参数检验需要更多数据来弥补这种“效率损失”。

回到你的具体场景：你做的是比例型A/B测试，基线转化率80%，要检测5%的绝对提升（到85%）。你用statsmodels的参数检验样本量计算得到每组903，这个结果是合理的——因为当样本量足够大时，二项分布（转化数据的分布）可以很好地近似正态分布，这时候用基于正态近似的参数检验（Z检验）是最高效的方法，能给出最小的样本量要求。

如果换成非参数方法，比如Fisher精确检验或者Mann-Whitney U检验，在这个场景下需要的样本量只会比903更多。比如Fisher精确检验，它完全不依赖分布近似，靠枚举所有可能的结果来计算显著性，这在样本量小的时候准确，但要达到80%的power，需要的样本量会远大于参数方法的结果。

那如果确实想减少样本量，有没有其他思路？可以考虑调整几个关键参数（但要承担对应的统计风险）：

• 降低统计效力：比如把power从0.8降到0.75，这样漏检真实效应的概率从20%升到25%，但样本量会减少。你可以修改代码里的power参数来计算具体数值。
• 提高显著性水平：比如把alpha从0.05升到0.1，这样误判为显著的概率从5%升到10%，也能减少样本量。
• 采用不等比例分组：比如让实验组样本量是对照组的2倍（设置ratio=2），总样本量会有所减少，但实验组的样本量会增加，对照组的会减少，整体优化幅度有限。

另外再核对下你的代码逻辑，这段代码是完全正确的，它针对两独立样本比例的Z检验计算最小样本量，结果903是参数方法下的最优解：

import statsmodels.stats.api as sms

# Proportions
p1 = 0.80
p2 = 0.85

# Calculate effect size using the proportions
effect_size = sms.proportion_effectsize(p1, p2)

# Desired power and significance level
power = 0.80
alpha = 0.05

# Calculate the required sample size per group
sample_size_per_group = sms.NormalIndPower().solve_power(effect_size, power=power, alpha=alpha, ratio=1)

print(f"Required sample size per group: {sample_size_per_group}")

备注：内容来源于stack exchange，提问作者bakun