以下哪些说法是正确的：【多选题】A. 样本量过大虽然说可以压缩可信区间，但是会不利于试验的质量控制B. 样本量太小，检验效能太低，导致不能发现原本存在的差异C. 一类错误为假阴性错误，二类错误为假阳性错误D. 多个主要终点的临床试验必须保证所有主要终点有统计学意义的差异

考查要点：本题主要考查统计学中的样本量影响、假设检验两类错误、以及临床试验中多个主要终点的处理原则。
解题核心：

1. 样本量与试验质量：理解样本量过大可能带来的管理成本和质量控制挑战。
2. 检验效能与样本量关系：明确样本量过小会导致检验效能不足，无法检测真实差异。
3. 两类错误定义：区分一类错误（假阳性）与二类错误（假阴性）。
4. 多终点试验设计：掌握多个主要终点的统计分析逻辑，避免对“必须全部显著”的误解。

破题关键：

• 选项C需通过两类错误的定义直接判断；
• 选项D需结合实际临床试验中对多个终点的灵活处理方式。

选项A

样本量过大与质量控制

• 正确性：正确。
• 解析：虽然大样本能缩小可信区间，提高估计精度，但过大的样本量会增加数据收集、管理的复杂性，可能导致质量控制难度上升（如数据偏差风险增加）。

选项B

样本量过小与检验效能

• 正确性：正确。
• 解析：检验效能（Power）指正确拒绝无效假设的能力。样本量过小会导致Power不足，即使真实差异存在，也可能因统计效力低而无法检测到。

选项C

两类错误的定义

• 正确性：错误。
• 解析：一类错误（α）是“假阳性”（拒绝正确零假设），二类错误（β）是“假阴性”（未拒绝错误零假设）。选项C将两者混淆。

选项D

多个主要终点的统计要求

• 正确性：错误。
• 解析：多个主要终点需通过多重比较校正控制整体I类错误率，但并非要求所有终点均需显著。实际试验中，部分终点显著即可支持结论。