抽样的基本概念
抽样是指从目标总体中抽取一部分个体或观测单位，形成样本，并据此对总体进行描述、估计或检验。由于通常无法对总体的所有成员实施调查或测量，抽样提供了一种用更少成本获得信息、并使推断在统计意义上可行的途径。
总体与样本
总体（population）是研究者关注的全部对象集合，可能是某地区所有居民、某批产品中的全部部件，或一段时间内的全部观测记录。样本（sample）是从总体中抽出的子集。总体参数（如均值、比例、分布形状等）往往不可直接得知，而样本统计量（如样本均值、样本比例等）则可由抽样与测量得到。
抽样的目的
抽样的核心价值在于通过样本信息对总体作出数量化判断，同时兼顾资源约束与研究目标。
估计总体参数
当目标是获得总体某些特征的数值时，抽样用于估计总体参数。通过合理的抽样设计与恰当的估计方法，样本统计量可作为总体参数的估计值，并可进一步评估估计的不确定性程度。
进行假设检验
当目标是比较或验证某种结论是否成立时，抽样用于支持假设检验。检验通常需要在随机机制假设下建立统计量的分布或近似，从而判断观察到的差异是否可能由抽样波动导致。
抽样误差与偏差
抽样结果与总体真实特征之间的差距可概括为误差来源的组合。常见区分是随机误差与系统偏差。
随机误差
随机误差（random error）源于“抽到谁”的偶然性。即便抽样完全遵循设计的随机机制，不同样本也会产生不同结果，因此估计会围绕真值波动。随机误差通常可通过样本量、变异性和抽样方式进行刻画。
系统偏差
系统偏差（systematic bias）来自抽样或测量机制导致的“系统性偏向”，使样本在某些特征上持续偏离总体。例如某类对象更容易被选择、或某类信息更难被记录，都会导致估计产生不可忽视的偏移。与随机误差不同，系统偏差不一定会随着样本量增加而自动消失。
抽样的分类
抽样方法通常按是否依赖可计算的选择概率来划分。选择概率能够度量时，方法更易于进行不偏估计与误差评估。
概率抽样
概率抽样（probability sampling）指每个总体单位被抽中的概率可知且不为零。该条件支持在统计推断中使用基于概率的理论来估计误差、构建置信区间或进行显著性检验。
简单随机抽样
简单随机抽样（simple random sampling）是最基本的概率抽样方式：总体中的每个单位被抽中的概率相同，且通常对应“从总体中无放回随机抽取”。该方法概念清晰，但当总体存在显著异质性或组织层次时，效率可能不如其他设计。
分层抽样
分层抽样（stratified sampling）将总体按某种相关特征划分为若干层（strata），在每层内按概率抽取样本。这样可提升对关键子群的覆盖程度，并在总体各层内部相对同质时显著降低估计方差。
整群抽样
整群抽样（cluster sampling）以群（cluster）为单位进行抽取，一个群包含多个个体。抽取时通常先随机选择群，再在选中的群内测量所有个体或再进行二阶段抽取。整群抽样常用于现场成本高昂的场景，例如以学校、社区或工厂作为群体。
系统抽样
系统抽样（systematic sampling）常见做法是先按某种顺序给总体编号，再从随机起点开始按固定间隔抽取。它容易实施，但需要关注总体列表是否存在隐含周期性结构；若顺序与待估特征存在规律耦合，可能引入偏差。
非概率抽样
非概率抽样（non-probability sampling）指总体单位被抽中的概率难以计算或不满足概率推断的要求。此类方法在实践中可能更便捷，但在代表性与误差评估方面更依赖研究者的经验与额外验证。
便利抽样
便利抽样（convenience sampling）是基于可及性选择样本，如便于联系或容易获取的对象。其优点是速度快、成本低；但样本可能高度依赖可达性条件，从而限制结果外推。
判断抽样
判断抽样（judgment sampling）由研究者根据经验或标准选择“认为合适”的对象。该方法适用于专家可识别关键特征的情境，例如先验知识较强的探索性研究，但代表性评估通常更困难。
配额抽样
配额抽样（quota sampling）先设定各类别的样本配额，再按便利或某种规则收集数据以达到配额。它能在结构上“看起来更均衡”，但由于抽中机制并不完全随机，偏差风险仍需谨慎处理。
滚雪球抽样
滚雪球抽样（snowball sampling）从少量“种子”样本开始，通过样本推荐或网络扩展逐步扩大样本。该方法在难以界定总体、或对象通过社交网络聚集时常见，但样本可能更集中于某些社交圈层，导致估计偏向。
抽样设计
抽样设计是把抽样目标转化为可执行方案的过程，通常包括抽样框、样本量、抽取步骤与质量控制等要素。良好设计能够在资源约束下最大化信息量并降低偏差风险。
抽样框的建立
抽样框（sampling frame）是用于实际抽取的“可操作名单或表”。它可能是居民登记册、产品编号系统、实验样本数据库或观测记录索引。抽样框必须与目标总体尽可能一致；若框与总体存在差异，就可能产生覆盖不足或误分配，从而影响结论的可信度。
样本量的确定
样本量决定估计的精度与检验的统计功效。确定样本量通常需要在误差、置信水平和预期变异性之间权衡。
置信水平
置信水平（confidence level）是指在重复抽样的长期意义下，构建区间覆盖真值的概率水平。常用的表达方式是以某个置信度对应的临界值来确定区间宽度或误差边界。
允许误差
允许误差（margin of error）反映研究者对估计精度的容忍程度。误差允许得越大，所需样本量一般越小；反之若需要更精细的估计，样本量通常需要增加。
总体变异性
总体变异性（population variability）越大，样本对总体的代表性要求越高，估计不确定性越难降低，因而通常需要更大的样本量。若变异性难以先验得知，常通过试点数据或历史资料进行近似。
抽样方案的制定
抽样方案把理论设计落到执行层面，包括选择“抽样单位”、定义“抽取步骤”、并配套质量保证措施。
抽样单位
抽样单位（sampling unit）是被视作最基础选择对象的层级。它可能是个人、家庭、群组，或一个观测记录。明确抽样单位有助于确定抽样框构建方式与后续估计方法。
抽取步骤
抽取步骤（sampling procedure）描述从抽样框中如何选择样本，例如随机数生成方式、起点选择、无放回或有放回原则、分层抽取的分配规则，以及多阶段抽取的衔接逻辑。步骤越清晰，执行一致性与可复现性越强。
质量控制
质量控制（quality control）用于降低因执行偏差带来的影响，例如抽样框更新校验、联系流程的标准化、记录一致性检查、异常样本复核与数据清洗规则设定。质量控制不仅改善数据质量，也有助于后续误差归因与敏感性分析。
抽样在科学研究中的应用
抽样贯穿多种研究范式：调查、实验、观察研究以及生命科学等领域都需要从有限数据推断更广泛规律。不同领域的重点在于目标、可达性与测量方式的差异。
调查研究中的抽样
在调查研究（survey research）中，抽样常用于形成回答者样本，并估计总体的态度、行为或特征分布。由于调查存在无应答、覆盖不足与测量误差等现实挑战，抽样设计通常与联系策略、权重调整和后续校正相配套。
实验研究中的抽样
实验研究（experimental research）中，抽样可能体现为选择参与对象或分配实验条件的过程。若实验强调可比性与可推广性，则需要控制选择机制与样本特征，使得实验结果能够在统计意义上与目标总体建立联系。
观察性研究中的抽样
观察性研究（observational studies）通常无法像随机实验那样完全控制分配机制，抽样在其中更关注数据来源的可比性与覆盖范围。良好的抽样设计可降低选择偏差，并为后续统计调整与因果推断的前提提供更稳固的基础。
生态学与生命科学中的抽样
在生态学与生命科学（ecology and life sciences）中，抽样常涉及空间与时间维度的代表性，例如样地选择、时间点采样频率或个体捕获策略。由于自然系统存在显著空间异质性与周期性波动，抽样方案的分层或整群设计能够提高效率并更好刻画环境差异。
社会科学与市场研究中的抽样
社会科学与市场研究（social sciences and market research）往往面对复杂的总体边界与参与意愿差异。抽样方法需同时兼顾样本结构、响应质量以及可执行性。实践中常出现非概率抽样与补充权重或后分层校正的组合，以提升样本与目标人群的一致性。
抽样结果的分析与解释
抽样不仅决定数据如何产生，也决定如何解释结果。分析部分通常围绕代表性评估、推断方法、区间表达与外推边界展开。
代表性评估
代表性评估（assessing representativeness）关注样本在关键维度上的分布是否与总体一致。可通过比较已知的总体边界指标、检查分层与覆盖情况、以及评估缺失与偏离模式来判断样本是否“像总体”。在非概率抽样中，该评估更为重要。
估计与推断
估计（estimation）与推断（inference）通常包括点估计与参数检验。概率抽样更容易使用基于选择概率的估计策略，而非概率抽样常需要借助加权、建模或校正来减少偏差影响，并在解释时更强调不确定性来源。
置信区间
置信区间（confidence interval）用于表达估计值的不确定范围。区间宽度反映精度：样本量更大、变异性更低且抽样更有效时，区间往往更窄。构建置信区间的关键前提与抽样设计密切相关，因此分析时应与抽样方式相匹配。
结果外推的限制
外推（generalization）指把样本结论推广到目标总体或更大范围。外推能力取决于抽样框覆盖程度、代表性状况以及偏差控制效果。即使样本量很大，若抽样机制与总体不一致，也可能导致外推失败；因此通常需要明确适用边界与假设条件。
抽样中的常见问题
实际研究中，抽样很少完全理想。对常见问题的识别与处理有助于降低偏差并提高结论稳定性。
无应答问题
无应答（nonresponse）指被选中对象拒绝参与、无法联系或提供无效信息。若无应答与研究变量相关，结果可能系统偏离。常见处理包括跟踪回访、替代规则、以及基于辅助变量的权重调整。
覆盖不足
覆盖不足（undercoverage）发生在抽样框未能包含总体中应有的部分单位，或某些单位被错误排除。该问题会产生结构性偏差，且通常不能通过单纯增加样本量完全修复，因此需要优化抽样框和更新流程。
样本流失
样本流失（attrition）多见于纵向研究或需要多轮观测的场景。原本入样的对象在后续阶段退出，可能导致随时间变化的偏差。应通过留存策略、缺失机制评估以及统计方法处理来降低影响。
选择偏差
选择偏差（selection bias）是总体选择机制与结局变量相关时产生的偏离。它可能来自抽中过程、参与意愿或执行差异。识别偏差来源后，通常需要在设计阶段改进流程或在分析阶段采用校正方法，并对结论保留适当谨慎措辞。
测量误差
测量误差（measurement error）虽然不完全属于“抽样”本身，但会与抽样结果相互叠加，影响推断质量。例如问卷理解差异、测量仪器波动或编码不一致都可能削弱真实信号。通过标准化操作、培训与校验，可以降低测量层面的不确定性。
抽样方法的改进
抽样改进强调在既有资源条件下提升随机性、结构效率与估计准确性。改进方法通常贯穿设计与分析两个环节。
随机化策略
随机化策略（randomization strategies）通过引入可控的随机机制减少人为干预，例如使用随机数生成抽取、明确随机起点规则、避免顺序偏差。随机化不仅提升理论可行性，也有助于执行一致与结果可复核。
分层优化
分层优化（stratification optimization）在于合理选择分层变量与分层数量，使层内同质性更强、层间差异更明显。若分层依据与目标变量相关性较高，可显著提高估计效率；同时需要避免过度分层导致的小样本不稳定。
权重调整
权重调整（weight adjustment）用于处理不同单位被抽中的可能性差异或响应差异。概率抽样中常见的是按选择概率进行加权；在非概率抽样中，也可借助校准权重让样本结构更接近已知总体分布，从而改善估计偏差。
后分层校正
后分层校正（post-stratification）是在数据收集后，根据样本中观测到的辅助变量与总体已知边际分布，对估计进行校准。它相当于用额外信息调整样本与总体的结构差异，但效果取决于辅助变量的相关性以及总体分布的可得性。
重抽样与验证
重抽样与验证（resampling and validation）包括在统计层面进行稳健性评估，例如通过交叉验证、引入不同抽样子集进行比较，或采用基于样本的重抽样技术观察估计波动。验证过程可帮助识别异常结果，增强结论可信度与可报告性。