De meest gebruikelijk manier om de variantie te verkleinen in de context van power is om een homogenere steekproef te trekken. Dat kan door bijvoorbeeld de 'scope' (doelpopulatie) enger te definieren. In plaats van mensen op te roepen om deel te nemen aan depressieonderzoek (waardoor je misschien van alles in je steekproef hebt, van vrijwel geen depressie, tot zware klinische depressie) kun je proberen mensen te werven die een diagnose klinische depressie hebben. Zo heb je in ieder geval mensen die niet alleen in termen van depressie, maar ook in gerelateerd gedrag meer gelijkend zullen zijn, dus minder variantie zullen vertonen
Je kunt dan zelfs nog verder homogeniseren door bijvoorbeeld essentiele achtergrondkenmerken zoveel mogelijk gelijk te houden. Je kunt bijvoorbeeld enkel vrouwen selecteren ipv van mannen, of de leeftijdsrange beperken, etc. Als deze kenmerken voldoende relevant zijn voor de afhankelijke variabele zal het verder afbakenen resulteren in minder variantie, dus meer power.
Een variant van deze wijze van homogeniseren is om niet zozeer selectiever te zijn bij het trekken van steekproeven, maar om allerlei achtergrondkenmerken of mogelijke 'confounding variables' (variabelen die een onbedoelde onzichtbare invloed uitoefenen op een verband) statistisch op te lossen door ervoor 'te controleren'. In statistische termen wordt dit meestal een 'covariaat' genoemd. Door deze variabelen ook op te nemen in een lineair model hoop je ook de errorvariantie tussen een predictor en een uitkomst, of de variantie van X kleiner te maken.
Zoals je dan waarschijnlijk al aanvoelt: homogeniseren vergroot wellicht de power, maar je levert er ook een stukje (externe) validiteit voor in. Met andere woorden, je kans op statistisch je theorie bij te staan wordt groter, maar je resultaten hebben op een steeds nauwer deel van de populatie betrekking.