样本量使传统上常见统计过程变量有些困难：如显著性的解释和筛选变量过程。
      样本量的大小会时刻影响系数的解释，线性方程中最重要的几个指标均受到样本量的影响，如F、R2、回归系数等等，这样一来，根据样本量的不同，其解释，尤其是推广的意义将发生剧烈的变化，通常情况下，显著性可以用于推广结果，但大样本下的结果，会使得原本很小的系数（或影响关系）变的显著，那么这个结果该如何视之！
     与次类似的还有筛选变量的过程中，筛选标准将不足以采信。
     一般常用的解决方法是参考相关系数与相关程度的对应表，而不仅仅视显著性而定。具体系数的解释上也要小心，不过可以根据行业规则解释，也可以按数据本身的特点，像均值、全距等信息，解释变量间精确的数量关系。

筛选变量过程中可以结合：
1）信息准则可以用于判断模型的简约性，故可以提供筛选准则；
2）在一些线性模型中，偏R2也被用于这类问题的处理，相对不会受到样本量的影响，例如逐步判别的分析方法中。
3）最后一个就是模型本身的特点，如构建线性，非线性模型中，模型残差本身提供了很多这方面的信息，例如残差线性趋势。