1 概述与基本概念
聚类抽样是一类按“簇”（cluster）组织样本的抽样技术。其基本思想是：先将总体依据某种自然分界或操作可达的规则划分为若干簇；再从这些簇中随机抽取一部分簇；最后对被选簇内的个体进行调查。该方法常用于现场成本高、个体分布离散、难以逐个接触的研究情形。
与简单随机抽样相比，聚类抽样的主要差异在于“随机性的来源”与“相关性的结构”。简单随机抽样直接从个体层面随机；聚类抽样则先在簇层面随机。由于被抽中的个体往往同属少数簇，其观测值之间可能存在相关性，从而影响抽样误差。
1.1 总体、簇与抽样单位的定义
“总体”指研究对象的全体。聚类抽样中，通常先存在一个簇划分框架：把总体按某种可操作方式划分为若干簇，每个簇包含若干个体（或更低层级单元）。这里的“抽样单位”可能随着设计层级而变化：在单阶段聚类抽样中，抽样单位常被视为“簇”；在多阶段聚类抽样中，簇之后可能还会在更细层级抽取，如家庭、学生或个体。
“簇”的构建既要尽量贴近现实组织结构（例如自然社区、学校或机构），也要保证可以在调查中识别簇边界，并获得簇内个体名单或可实施的抽取机制。
1.2 单阶段与多阶段聚类抽样
单阶段聚类抽样：从全部簇中随机抽取若干簇，随后对所选簇内所有个体进行调查。此时仅进行一轮抽样，分析时通常需处理“按簇抽样导致的相关性”。
多阶段聚类抽样：从全部一级簇中抽取部分簇；在被抽中的簇内部再进行二次抽样（例如在簇内抽取若干子簇或个体）。进一步的层级可继续延伸到三阶段、四阶段等。多阶段设计常见于现实中不可能对簇内全部个体都做全量调查的场景，从而在控制成本的同时保留可估计性。
1.3 与简单随机抽样、分层抽样的直观对比
简单随机抽样直接从总体个体层面随机，因此一般不存在“簇内相似导致的群组相关结构”。其组织成本可能更高，因为需要覆盖更多分散地点。
分层抽样将总体按某些特征划分成互不重叠的层，然后在每层内抽取样本。分层的目标通常是让层内更同质、层间差异可被覆盖。聚类抽样的逻辑则相反：它接受簇内可能同质或相关，利用随机抽取簇来实现总体代表性，同时用成本约束替代“完全随机遍历”。
因此，聚类抽样更强调操作效率；分层抽样更强调差异控制。实际研究中两者常被组合形成混合设计。
2 抽样设计
聚类抽样的核心是把“可以抽”的簇框架建立起来，并保证抽取规则能产生明确的选择概率。一个良好的设计不仅要体现随机化，也要尽量使簇的内部结构适配研究变量的变化特征。
2.1 簇的构建原则与可操作性
簇的构建通常遵循两类原则：一是自然或半自然的边界，使簇内个体在现实中相互联系或共享环境；二是可操作性，确保调查人员能识别簇、进入簇、实施抽取与访谈。
此外，簇大小的分布也影响分析稳定性。若某些簇极大、另一些簇极小，可能导致权重高度不均，从而增加方差或造成估计量的敏感性。设计中往往需要预先了解簇规模的统计特征或进行分组处理。
2.2 簇抽取的随机化方式
常见随机化方式包括：在簇层面进行等概率抽取或按簇规模调整概率（概念上常见于与规模相关的抽取）。随机化的目的在于确保每个簇被抽到的概率可计算，进而在估计中引入合适的权重。
在实践中，随机化通常依赖随机数生成器、系统抽样或排序后的随机起点等流程。关键不是“使用哪种工具”，而是要保证抽取规则与可实施性相匹配，并能在事后复核抽样过程。
2.3 簇大小不等的处理策略
当簇大小不等时，若直接对簇等概率抽取并在簇内做全量调查，那么选择概率在个体层面会随簇大小而不同：大簇中的个体更容易被覆盖。若不加处理，估计可能出现系统偏离。
常用的处理思路包括：对个体层面进行权重校正（使不同簇规模带来的覆盖差异在估计中被补偿）；或在簇内不做全量调查、而采用二阶段抽样以削弱簇规模差异对个体选择概率的影响；也可采用与规模相关的簇抽取概率，使得个体层面的选择概率更接近均衡。具体选择取决于研究目标、资源约束与簇内名单的可获得性。
2.4 二阶段/多阶段抽样流程示例
一个典型二阶段聚类流程可概括为：第一阶段从所有一级簇中随机抽取若干簇；第二阶段在每个被抽中的簇内，再从子单元或个体名单中抽取固定数量或按比例数量的样本。
三阶段设计则在此基础上增加一层，例如先抽选更大的地理单元，再在其内抽取社区/机构，最后在机构内抽取个体。流程示例的目的在于说明“每一阶段都要定义抽样单位、抽样概率与执行规则”，否则后续的加权与方差估计难以落地。
3 估计与加权
聚类抽样的估计通常围绕“选择概率”展开。由于抽样并非在个体层面完全等概率，估计量需要使用权重以恢复对总体的代表性。
3.1 估计量的构造思路
估计量的构造可以理解为：对目标变量的观测值进行加权求和（或加权均值），权重与样本个体（或样本簇）的选择概率相关。若设计为单阶段全量调查，簇权重直接影响簇内个体贡献；若设计为多阶段抽样，则需考虑各阶段抽取带来的综合选择概率。
在多数实际应用中，估计量以“设计一致性”为原则：它应能在抽样设计假设成立时对应总体参数，并在不同样本实现下保持可比较性。
3.2 抽样权重与选择概率
权重通常定义为个体或抽样单位的倒数选择概率。对于多阶段设计，选择概率一般是各阶段概率的乘积或等价形式。重要的是：权重的计算必须与抽样执行细节一致，包括是否出现替换、是否做过筛选条件、以及是否对非响应进行了调整。
在实践中，还要注意数值稳定性：当某些选择概率过小，权重会很大，可能显著放大方差。此时需要通过改进设计（例如提高簇层面的样本规模或调整抽取概率）或通过更合理的权重处理来降低波动。
3.3 非响应与替换规则（设计层面）
非响应可能发生在簇层面或个体层面。非响应处理的设计目标是尽量减少偏差并保持估计可计算性。常见的设计层面思路包括：在抽样后记录响应状态，使用基于响应率的调整；或建立替换规则，在允许的范围内用同一簇内的备选单位替换缺失样本。
替换规则必须事先定义清楚：替换采用的逻辑会改变实际选择概率结构，从而影响权重与方差估计。如果替换未记录或未纳入计算，估计可能产生系统偏差。因而，非响应处理不仅是现场事务，也是一部分统计设计。
4 统计性质与效率分析
聚类抽样的统计性质主要体现在两个方面：估计量的可行性与方差的大小。方差大小又受设计结构影响，尤其与“簇内相关性”密切相关。
4.1 误差来源：抽样变异与设计效应
抽样误差来源于随机抽样造成的“样本与总体不完全一致”。在聚类抽样下，误差通常不仅取决于样本量，还受设计结构影响。所谓设计效应可用来描述：在相同名义样本规模下，聚类抽样的方差相对简单随机抽样会放大多少。
设计效应的大小往往随簇内同质程度而变化：簇内个体越相似，抽样到的样本越像“重复测量”，有效信息会减少；反之若簇内差异较大，则聚类带来的效率损失可能较小。
4.2 簇内相关性与有效样本量的概念
簇内相关性可理解为：同一簇内个体的观测值更可能一起偏高或偏低。此类相关会降低“有效样本量”，即虽然样本数看起来不少，但独立信息的数量减少。
在分析框架中，常用的直觉是把相关性导致的“信息折损”纳入方差估计，使结论不至于过度乐观。有效样本量并非单纯由样本数决定，还取决于簇内相似程度与簇数量。
4.3 与方差估计相关的关键假设
方差估计通常依赖一些可检验或难以严格证明的假设，例如：簇的抽取机制与权重计算的一致性；簇内观测的相关结构在统计意义上可被模型化或近似；以及样本设计足够反映总体结构。
此外，多阶段设计还要求在各阶段的抽样单元边界、名单覆盖和执行一致性方面满足基本条件。若簇边界被频繁调整、名单不完整或替换规则与权重不匹配，方差估计会变得不可靠。
5 方差估计与置信区间
由于聚类抽样存在设计结构，置信区间与显著性检验需要使用与设计相协调的方差估计方法，而不能简单照搬简单随机抽样的公式。
5.1 常见方差估计方法概览
方差估计常见做法包括基于设计的解析近似与基于重抽样思想的方法。解析近似通常利用样本数据中的方差成分，并结合抽样设计权重。重抽样类方法则通过构造“伪样本”来近似估计量在设计下的波动。
方法选择与设计复杂度密切相关：单阶段与简单二阶段设计可能适合较直接的估计；多阶段、权重调整较多或非响应处理复杂的设计，则更需要灵活的方差估计框架。
5.2 设计效应（design effect）的使用场景
设计效应可用于快速理解效率损失，尤其在需要比较不同抽样方案或对样本规模做预估时。它常用于把“名义样本量”转换为“等效样本量”，从而帮助规划调查规模。
在报告中使用设计效应时，通常应说明其计算口径与参考基准（例如相对简单随机抽样的比较方式），否则不同研究之间的可比性会受到影响。
5.3 置信区间与显著性检验的实践注意点
置信区间的宽度与方差估计直接相关。聚类设计下若忽略设计结构，往往会得到过窄的区间或过高的显著性。实践中还需注意：在多阶段设计里，估计方差时应处理好抽样层级与权重；在存在非响应调整或替换时，方差估计口径要与权重策略一致。
此外，解释显著性也要避免把“统计显著”直接等同于“实践上重要”。聚类抽样的有效信息受簇结构影响，样本量的直观大小不一定等价于推断能力。
6 适用情形与选择建议
聚类抽样的价值主要体现在成本与可达性。选择时需要在精度与执行难度之间做权衡，并评估簇划分是否会带来过强的相关性。
6.1 适合的研究场景（成本与可达性）
当个体分散在大量地点、逐个接触的成本显著增加时，聚类抽样能够通过减少“地点访问次数”来降低组织开支。例如入户调查、教育与医疗现场访问、需要实地核验的市场研究等，往往天然对应“以单位组织的簇结构”。
若簇内名单较易获得，且簇边界清晰，那么多阶段抽样还能进一步控制工作量，使调查在资源可承受范围内完成。
6.2 何时应避免或谨慎使用
若簇内个体在关键变量上高度同质（导致强相关性），聚类抽样可能显著降低有效信息，从而需要更多簇才能达到预期精度。若调查单位与簇划分不匹配，例如簇边界与研究变量的变化规律脱节，也会影响代表性。
此外，若簇框架不完整、名单覆盖不足、或现场执行时无法保持抽样规则一致，聚类设计会带来额外误差与更难的质量控制，因此需要谨慎评估可行性。
6.3 聚类层级数与精度的权衡
层级越多，通常越能细化控制成本，但也会增加设计复杂度与方差估计难度。多阶段设计可能引入更多环节的不确定性，并使选择概率与权重计算更依赖完整记录。
在精度方面，增加层级并不必然导致更差结果，但如果每一阶段的抽取都导致信息损失（例如最终有效样本量下降），精度可能下降。因此需要在“减少现场量”与“保持足够的簇数量与独立信息”之间平衡。
7 实施要点与常见坑
聚类抽样的关键问题往往不在公式，而在现场执行是否与设计一致。尤其是簇边界、簇内抽取与非响应处理，都可能改变选择概率结构。
7.1 簇边界“取法”不当的后果
若簇边界在执行中被随意调整，例如同一簇被拆分或合并、边界模糊导致实际样本与原始框架不一致，会使权重失效并引入偏差。边界不当还可能造成簇内相关结构与预期不符，从而影响方差估计的可靠性。
因此，簇边界在设计阶段就应明确，并在执行阶段保持可追溯的识别方法。
7.2 簇内抽样不完整导致的偏差风险
多阶段设计中，簇内通常会抽取部分子单元或个体。若抽取不完整或抽取规则未按随机方式执行（例如“先到先得”“替换过多且未记录”），就可能改变样本选择机制，使样本不再遵循原选择概率。
常见风险包括名单更新不及时、抽样起点不一致、或现场人员对“随机抽取”理解偏差。解决思路是将抽取规则固化为可执行流程，并配套记录与复核。
7.3 现场执行中的质量控制
质量控制可以从三个方面展开：第一，确保抽样框架与现场实际一致；第二，保证随机化过程可审计，例如随机数种子与抽取顺序留痕；第三，对偏离规则的情况进行统一记录，并在权重与方差估计时做相应处理。
若条件允许，还可进行小规模试调查以验证簇内抽取的可行性、非响应模式以及数据质量。
7.4 “看起来随机但其实不对”的案例类型（梗式归纳）
有时抽样“看起来很随意、也很均匀”，但随机性来源并不在设计中。例如：
- “照着感觉抽”：现场用“看起来差不多”的方式挑人，忽略了需要的选择概率。
- “簇内顺序抽”：按名单顺序取前若干个体，导致系统性偏差。
- “替换不留痕”：非响应后随意补充，权重计算无法反映真实选择过程。
- “边界先改再说”：簇划分临时调整却未更新框架，后续分析无法自洽。
这些问题的共同点是：破坏了“随机机制—选择概率—估计量”之间的对应关系。
8 应用示例
聚类抽样的抽象概念可以通过具体研究场景理解：这些场景往往天然存在“地点/组织单位”的簇划分方式。
8.1 入户调查中的社区/小区作为簇
在城市与乡镇入户调查中，社区或小区常被视为簇。调查可以先随机抽取部分社区，再在社区内抽取若干家庭；或在抽中社区后对其内家庭进行全量走访。此设计能显著减少跨区域奔波的成本。
8.2 教育评估中的学校作为簇
教育评估常以学校为簇。比如先抽取一定数量的学校，然后在每所学校内抽取学生或班级。由于学生之间在同校环境下可能存在相似性，聚类设计需要配合适当的方差估计以反映簇内相关。
8.3 医疗/流行病学中的机构或地区作为簇
医疗研究中，医院、诊所或地区也可作为簇。例如先选择部分机构，再在机构范围内抽取就诊个体或病例记录。区域或机构层面的差异可能造成簇间差异，从而影响效率与精度；因此簇的构建与抽取概率的设置尤为重要。
8.4 市场调研中的门店或商圈作为簇
市场调研常用门店或商圈作为簇。先抽取若干门店或商圈，再对其顾客开展问卷或交易行为记录。该方法便于集中访问、控制差旅开支，同时可通过多阶段抽样进一步控制样本规模。
9 扩展主题
聚类抽样的变体与扩展用于应对更复杂的总体结构与预算约束。以下内容以概念层面概括常见扩展方向。
9.1 分层聚类抽样（hybrid designs）
分层聚类抽样把分层与聚类结合：先按某些特征把总体分成若干层，再在每层内进行簇的抽取。此类设计常用于同时兼顾“层间代表性”和“执行成本”。层内的簇抽取提供操作便利，而层的划分有助于控制估计方差或提高稳定性。
9.2 PPS（与规模成比例的）聚类抽样概念性说明
PPS是“与规模成比例”的抽取思想。在簇规模差异较大时，可能希望较大的簇以更高概率被选中，从而让个体层面的覆盖更均衡。概念上，簇的抽取概率与某种规模度量相关，例如簇内包含的单位数或其他可用指标。具体实现需要明确规模指标的定义与可获得性。
9.3 复杂抽样设计下的分析框架概览
复杂设计可能包含多阶段抽样、非等概率抽取、权重调整与非响应处理等多种要素。分析框架通常围绕“使用与设计一致的权重”“采用与设计相容的方差估计方法”“处理抽样层级与独立性结构”展开。
在实践中，统计分析往往需要把设计信息（抽样层级、抽取概率、权重、聚类标识）以结构化方式输入计算流程，确保推断与设计对应。
10 相关概念与进一步阅读索引
聚类抽样与调查抽样理论密切相关。进一步阅读有助于把握抽样误差、加权估计、方差估计与设计一致性等核心概念。
10.1 与抽样理论相关的术语表
可重点关注的术语包括：抽样单位、选择概率、权重、设计效应、簇内相关、非响应调整、层级抽样与分层、系统抽样与随机化、估计量一致性等。理解这些术语有助于把握设计与分析之间的联系。
10.2 与调查抽样软件/流程的衔接（概念层面）
许多调查抽样软件支持复杂调查设计下的加权估计与方差估计。概念上，衔接要点是把抽样设计要素结构化输入：聚类标识、分层标识、权重、以及抽取层级关系等。只有当分析设置与设计记录一致，计算的方差和置信区间才更可信。
10.3 适合的教材与经典文献方向（不列具体争议）
进一步阅读可从调查抽样教材的以下方向入手：复杂抽样设计与方差估计、加权估计与设计一致性、聚类与分层的理论比较、以及调查实践中的非响应与现场质量控制。选择侧重“方法论与推断框架”的资料通常更有助于系统理解。