일반적으로 보다 많은 데이터는 좋은 분석 결과를 나타내어 준다.
그러나 분석하려는 데이터가 엄청나게 많다면 몇몇 가지의 잠재적인 문제를 짚어보아야 한다.

먼저, 거대한 샘플은 유의하지 않는 것을 유의하게 만들 수 있다.
아래 예시한 샘플 10개인 경우의 2-Sample t-test를 결과를 살펴보자.

first(처음 샘플)와 second(비교 샘믈)의 평균과 두 집단간의 차이를 보면 거의 같다는 것을 알 수 있다.

변동을 나타내어주는 표준편차도 같다.
p-value=0.970으로 통계적으로 유의하지 않음을 나타내고 있다.

그러나 샘플 크기가 백만개인 경우의 2-Sample t-test를 결과를 살펴보면
두 집단의 차이값은 같이 0.009인데 p-value는 극적으로 다르다.

많은 샘플을 분석하는 경우에는 t-test는 0.009 라고하는 아주 작은 차이값도
통계적으로 유의하다고 분석을 한다. (p-value=0.000)

그러면, 0.009 라는 차이가 중요한 것인가? 
이는 측정 단위나 적용분야에 따라서 다를 것이라고 본다.
의료분야에 적용되는 초소형 부품의 폭의 치수라면 당연히 중요할 수도 있겠지만
음료수 컵의 직경이나 보통의 많은 적용 분야에서는 중요하지 않을 것이다.

예시한 경우처럼 방대한 샘플을 사용하여 통계적으로 분석하는 경우에
유의차가 있다고 분석된 결과를 실제 문제에 적용을 할 경우에는
한층 더 신중히 살펴보고 결정해야 한다.