1 采样方法的概念与研究定位
采样方法是研究设计中用于从目标总体抽取样本、并据此对总体特征进行估计或对研究对象作出推断的一类方法。其关键在于：研究者不仅要“选谁”，还要明确“按什么规则选”、以及“如何在分析中把选择机制产生的偏差与不确定性纳入处理”。
在实践中，采样方法与研究问题高度绑定。不同的抽样策略会在可估计性（能否得到带有可解释不确定性的估计）、代表性（样本与总体的接近程度）、成本与可实施性之间形成权衡，因此常需要同时考虑数据类型、推断目标与现实约束。
1.1 总体、样本与抽样目标
总体通常指研究者希望描述或推断的所有研究对象集合。样本是从总体中抽取的一部分个体或单位。抽样目标则表明研究希望从样本中回答什么问题：例如估计总体均值或比例、估计分布的形状、比较组间差异、或评估某类指标与协变量的关系等。
抽样目标决定“推断需要什么”。如果目标是总体层面的估计，抽样通常更强调概率与可加权性；若目标是探索性、形成理论假设，非概率策略有时也能提供有价值的信息，但其结论通常不适合进行严格的总体外推。
1.2 代表性、偏差与推断目标
代表性是样本分布与目标总体分布之间的接近程度。偏差则可理解为由于抽样或后续处理导致的系统性偏离。偏差可能来源于样本选择规则（抽样阶段偏差）或样本获得过程中的可及性差异（如某些对象更难被接触或更愿意参与）。
推断目标与代表性并非一一对应：有的研究只需在“样本对应的群体/情境”内形成描述性结论，不必强调总体外推；而需要对总体做推断时，抽样设计需要提供可用于纠偏与方差估计的结构信息。
1.3 抽样框架与实施边界
抽样框架是用于实施抽样的“可操作名单或结构”，例如人员名册、住户登记、地理单元列表、在线平台的可访问用户集合等。它决定了抽样能否在现实条件下运行，也决定了潜在的覆盖误差风险（即框架中包含的并不等于总体）。
实施边界包括：谁被纳入总体定义、谁能被接触、是否允许多次联系、抽样单位的层级结构（个人/家庭/社区）、以及数据收集是否存在时间窗口限制。这些边界将共同影响最终样本的偏差结构。
2 概率采样方法
概率采样的核心是：总体中每个单位具有已知的、非零的入样概率，且抽样过程遵循可复现的随机机制。它的优势在于可以用样本信息构建估计量，并在设计层面进行方差评估，从而支持带不确定性的推断。
概率采样并不必然保证“样本完全代表”，但它提供了把不代表性转化为可建模误差的路径。常见概率采样包括简单随机抽样、分层抽样、整群抽样、系统抽样、多阶段抽样，以及概率比例相关抽样等。
2.1 简单随机抽样
简单随机抽样指从总体中以等概率方式抽取样本，通常假设每个单位被选中的概率一致。它在理论上易于推导估计量与方差，也便于理解随机误差的来源。
2.1.1 独立同分布假设与随机性来源
在许多教材表述中，简单随机抽样常与“独立同分布”的直觉联系在一起：样本值在统计模型层面被视为来自同一分布。需要强调的是，独立性与同分布更多属于分析建模假设，并不自动由抽样类型本身保证；真实数据可能存在聚集、相关或随时间变化的结构。
随机性来源通常体现在抽样选择的随机规则上：只要选择机制满足已知且均等的概率，估计的不确定性就能通过抽样理论进行表达。
2.1.2 无放回与有放回的差异
无放回抽样指每个单位被抽中过后不再被选择；有放回抽样允许重复抽取同一单位。两者在方差表达上可能出现有限总体修正（无放回时往往方差较小的直觉）。在工程实现中，无放回更贴近“选取独立个体”的常见场景；有放回则更多见于特定模拟或业务流程设定。
2.2 分层抽样
分层抽样把总体按某些特征划分为互不重叠的层（strata），然后在每一层内进行抽样。它的目标通常是减少估计误差：当层内差异较小而层间差异较大时，分层能显著提高效率。
2.2.1 分层变量选择原则
分层变量选择通常遵循“与研究目标相关且在框架中可获得”的原则。理想的分层变量能把总体中的主要差异分解到不同层，从而在每层内得到更同质的样本。
过度细分会增加复杂度并可能导致小层样本不足；选取与研究目标关系弱的变量则可能带来收益不明显甚至无效的分层。
2.2.2 分配策略：等抽样与最优分配
分配策略决定各层抽取多少单位。等抽样指各层抽取数量相同或按固定规则分配；最优分配强调以误差最小或方差最优为目标，通常会结合各层规模与方差信息，让“波动更大或更关键的层”得到更多样本。
在实践中，最优分配需要先验或历史数据来估计层内波动，若信息不足，则常用等抽样或折中策略起步，再在后续分析中通过敏感性评估检验影响。
2.3 整群抽样
整群抽样以“群（cluster）”为抽样单位，而非直接抽取个体。先从总体的群中随机选取部分群，再对被选群内的单位进行观测。其重要动机是：当个体分散且难以逐个接触时，整群能显著降低成本。
2.3.1 群的定义与聚类效应
群的定义取决于数据采集逻辑，例如学校作为群、社区作为群、企业作为群等。群内单位往往存在相关性，这种相关会导致聚类效应：样本之间不再独立，方差估计需要考虑设计效应（design effect）或等价概念。
群内相关越强，整群抽样效率相对可能越低；但在成本受限时，整群仍可能是更可行的方案。
2.3.2 一阶段与两阶段整群抽样
一阶段整群抽样指：抽取若干群后，直接观察这些群内的全部单位。两阶段整群抽样指：先抽取群，再在每个被抽中的群内抽取子样本（常称二阶段单位）。两阶段设计通常能在控制成本的同时缓解聚类相关带来的方差增幅，但也增加了复杂度与权重结构。
2.4 系统抽样
系统抽样通过设置抽样间隔与起点，从序列中按规律抽取单位。它常用于存在自然排序或可构建序列的场景，如按名单顺序、按时间顺序生成的列表等。
2.4.1 抽样间隔与起点选择
抽样间隔通常等于总体规模与样本量的比值的近似值。起点通常随机选取于第一个区间内，以避免与排序方式之间出现人为偏好或固定周期带来的相关性。
2.4.2 周期性偏差的识别与缓解
系统抽样的风险在于：若列表存在周期性结构，而抽样间隔与该周期恰好耦合，可能引入覆盖不足或偏移。识别方法通常依赖于对排序机制的理解，如名单是否按某种规则批量生成、是否存在区域或时间块的排列规律等。缓解策略包括随机化起点、扰动排序、或改用更稳健的抽样方法。
2.5 多阶段抽样与组合设计
多阶段抽样把抽样过程分解为多个层级：例如先选地区，再选机构，最后选个体。组合设计则允许在不同阶段使用不同的抽样类型，例如在某些阶段整群，在其他阶段分层或简单随机。
2.5.1 阶段划分与抽样权重
阶段划分对应每一级抽取的概率结构。由于每个单位的总入样概率等于各阶段概率的乘积，因此估计时需要使用与入样概率相关的权重（如基于逆概率思想的加权估计）。权重结构往往比单阶段设计更复杂，但能在理论上支持可推断的估计。
2.5.2 复杂设计下的方差估计要点
多阶段与组合设计下的方差估计不仅涉及样本波动，还需要反映抽样层级带来的相关结构与不均衡权重。常见做法包括使用基于设计的方差估计公式，或采用重抽样/模拟方法近似方差分布。
关键要点在于：方差估计必须与设计一致，否则“看起来精确但实际上不对”的情况会出现。设计审计与方差方法选择通常需要一起完成。
2.6 概率比例相关抽样（如 PPS）
概率比例相关抽样（Probability Proportional to Size，PPS）是一类常见策略：单位被选中的概率与某个“规模变量”成比例。规模变量可理解为与单位的重要性或容量相关的度量，如人数规模、销售额、户数等。
2.6.1 与规模变量的关系
在PPS中，规模变量越大，单位被抽到的概率越高。其直觉是：若规模变量能够解释总体中某些目标指标的大小差异，那么按规模抽样能提高估计效率或使加权校正更稳定。
规模变量必须在抽样框架中可得，并且与目标估计的精度相关。若规模变量与目标指标关系弱，PPS的优势可能下降。
2.6.2 估计与校正思路
PPS通常配合逆概率加权或相关校正方法。估计的形式会依赖于规模变量的定义与抽样过程细节。为了避免规模变量误差引起的系统性偏移，实践中常需要核对规模数据的口径一致性，并在分析阶段评估其影响。
3 非概率采样方法
非概率采样指入样概率不可知或不按概率规则确定。它通常更贴近现实约束：例如难以获得抽样框架、需要快速获取信息、或研究目标偏向探索与生成假设。
非概率采样的结论更依赖于研究问题的适用范围。其常见挑战是：由于抽样机制不透明或不可建模，代表性与外推性较难保证。因此在报告中通常需要明确样本来源、参与条件与可能偏差。
3.1 便利抽样
便利抽样指根据“容易接触到”的原则招募样本。它常见于试点研究、可用资源有限的情况下或需要快速得到反馈的项目。
3.1.1 可行性优势与常见偏差
便利抽样的优势在于成本低、速度快、执行简单。常见偏差包括接触偏差（只覆盖能被联系到的人群）、自愿偏差（愿意参与者可能与不愿意者存在差异）、以及覆盖误差（研究对象的定义与可得名单并不一致）。
由于缺少可计算的入样概率，加权校正的理论基础通常较弱。
3.1.2 结果解读的边界
便利抽样得到的估计往往适合作为描述性结果或探索性证据，而不宜直接推断总体参数。若要提升说服力，研究可采用与样本特征相关的对照分析、分层描述、或与外部数据进行基准比较，但仍需谨慎。
3.2 目的抽样与专家判断抽样
目的抽样根据研究目标挑选“被认为最有信息”的对象。专家判断抽样由领域专家选择样本，以达到对关键现象的覆盖。
3.2.1 典型性、差异化与理论抽样思路
目的抽样的选择逻辑可能包括典型性（选择最能代表常见情况的个体）、差异化（刻意覆盖不同类别以观察差别），或理论导向的“理论抽样”思路，即随着分析进展不断调整样本以补足新出现的解释需求。
这种策略的关键在于：选择理由需要可记录且与研究问题可对应，否则容易滑向随意性。
3.2.2 适用场景与风险控制
目的抽样适合需要理解机制、形成分类框架或挖掘关键经验的研究类型。风险在于选择偏差可能较大，尤其当“被认为有信息”的标准缺乏透明性或缺少对反例的覆盖。
风险控制可包含：制定选择标准、记录选择过程、在样本间持续检查信息多样性，并在报告中明确不确定性来源。
3.3 配额抽样
配额抽样先确定若干配额变量及目标比例，然后在招募过程中尽量满足这些比例。它与分层抽样在结构上有些相似，但关键差异在于配额实现不必保证入样概率。
3.3.1 配额变量与比例设置
配额变量通常与研究目标相关，例如性别、年龄段、地区等。比例设置可来源于已知总体分布、历史数据或其他权威资料。配额设置越接近目标分布，样本与总体的一致性潜力越高，但仍无法替代概率抽样的可推断性。
3.3.2 对代表性的影响机制
配额抽样通过“外显特征”约束样本结构，从而减少某些维度的系统性偏差。但如果关键偏差来自难以观测的变量（例如态度、健康状态、行为意愿），配额变量的约束可能不足。
因此配额抽样更适合在“研究关注于配额变量相关的结果”时使用，同时建议进行样本特征检验与敏感性讨论。
3.4 滚雪球抽样
滚雪球抽样通过链式推荐进行：已有参与者进一步邀请与其相关或相似的潜在参与者。该方法在研究难以接触、且个体之间通过网络关系相连的群体时常被采用。
3.4.1 链式招募的适用条件
适用条件通常包括：研究对象存在明显社交或组织网络、通过初始种子（seed）能触达更多成员、且研究关心的是网络内的经验与关联。若网络结构稀疏或成员之间联系弱，滚雪球可能快速停滞或覆盖不足。
3.4.2 同质性与网络偏差
滚雪球的常见问题是同质性偏差：参与者往往推荐与自己相似的人，导致样本在关键特征上更集中，从而偏离总体多样性。另外，网络偏差也可能使得某些子群难以进入样本。
缓解可考虑：选择多个起始种子、控制推荐轮次、并在数据分析中评估网络相关带来的影响。
3.5 自愿/回应抽样（含在线表单）
自愿/回应抽样依赖研究对象主动报名或响应邀请，在线表单尤为常见。由于参与完全由个体意愿决定，样本往往呈现显著的选择效应。
3.5.1 自选择偏差的处理思路
自选择偏差的处理通常不等同于“简单加权就能纠正”。研究者可从以下角度提高可信度：记录招募渠道与激励机制、比较样本与可获得的外部基准分布、在分析中使用协变量校正（仅在模型假设合理时）、以及在报告中强调结论的适用边界。
当无法证明选择机制与结果无关时，自愿样本的外推仍需谨慎。
3.5.2 质量控制与数据清洗
在线研究中常见的质量问题包括重复提交、填写随意、异常速度或矛盾回答。数据清洗通常包括一致性检查、异常值识别、重复记录合并或剔除、以及对关键题项的注意力筛查。
质量控制的目标是减少“非信息性输入”对分析的干扰，同时避免过度剔除造成新的偏差。
4 抽样设计关键要素
抽样设计关键要素决定样本量、加权结构、随机化执行以及对失效数据的处理。它们共同影响估计的精度、可解释性与可复现性。
4.1 样本量与功效（Power）思维
样本量通常不是“越大越好”的线性问题，而是与预期效应大小、容忍误差、以及研究可接受的不确定性紧密相关。功效（Power）强调在一定显著性水平下，研究有多大概率检测到预设的效应。
4.1.1 估计精度与置信区间视角
在估计型研究中，样本量常从置信区间宽度或误差界限出发。研究者可以把“希望区间多窄”转化为所需的标准误目标，再反推样本规模。这里还需要考虑设计效应（如聚类导致有效样本量下降）。
4.1.2 假设检验与最小可检测效应
在检验型研究中，样本量与最小可检测效应（Minimum Detectable Effect）相关。研究需要明确：差异或效应在现实上“最关心的量级”是多少，以及希望达到多高的检测概率。若效应很小，样本量自然会随之增加。
4.2 抽样权重与加权估计
当抽样概率不一致、或采用分层/整群/多阶段设计时，常需使用权重来纠偏。加权估计的目标是让估计量更贴近总体目标，并把设计差异转换为可处理的统计结构。
4.2.1 权重计算与归一化
权重计算通常基于逆入样概率或其等价形式。实践中还可能进行归一化，使加权总量与某些约束（如样本量总数或总体规模）一致，以提升数值稳定性与解释性。
4.2.2 加权后的方差与稳健性
使用权重会改变方差结构：若权重差异很大，方差可能显著增大。稳健性评估可包括检查极端权重、采用更适合设计的方差估计方法、以及在报告中展示权重对结果的敏感度。
4.3 随机化、对照与实施偏差
即使采用合理的抽样方案，执行阶段的偏差也可能改变实际选择机制。随机化与对照用于降低潜在的程序性偏差，抽样过程的审计与记录用于识别与纠偏。
4.3.1 选择偏差的来源
选择偏差来源可能包括：名单更新滞后导致覆盖不全、联系失败造成系统性缺失、采访时间窗影响可及人群、或现场执行中对替换规则的自由裁量等。
理解偏差来源有助于决定是否需要调整权重、是否要做非响应处理，或是否需要改动招募流程。
4.3.2 抽样过程的审计与记录
审计记录通常包括：抽样框架版本、随机种子或抽样过程描述、每个阶段的入样概率或选择规则、替换规则与实际实施的偏离情况。透明记录能显著提升后续复核与方差估计的可信度。
4.4 缺失数据与样本流失
缺失数据与样本流失会改变有效样本结构，从而引入非响应偏差。处理通常需要区分缺失类型，并评估补偿策略对估计的影响。
4.4.1 非响应（Non-response）的分类
非响应常见分类包括：拒访（拒绝参与）、失联（无法联系）、以及填写不完整（部分缺失）。不同类型的缺失与结果的关系可能不同，直接影响是否可用简单的校正方式。
4.4.2 补偿策略与敏感性分析
补偿策略可能包括补充联系、调整招募渠道、对非响应进行加权校正或模型填补。由于非响应机制往往难以验证，敏感性分析用于检验在不同假设下结论是否稳定。
5 采样偏差与误差来源
采样过程中不仅存在抽样误差（随机误差），还可能出现系统性偏差与其他误差。理解它们的来源有助于在估计与报告中进行更准确的不确定性沟通。
5.1 覆盖误差（Coverage Error）
覆盖误差指抽样框架未能正确覆盖目标总体，或覆盖了不属于总体的部分。它可能表现为某些地区、群体或时间段在框架中缺失。覆盖误差往往是结构性的，难以通过简单随机抽样“修复”。
5.2 测量误差与其与抽样的耦合
测量误差包括问卷理解差异、记录错误或设备测量偏差。测量误差与抽样可能耦合：例如某类人群在自填问卷中更可能填写错误或更容易中途退出，导致测量偏差与选择机制共同作用。
因此在评估误差时，需要同时关注抽样与数据采集环节。
5.3 混杂与选择机制
混杂是指与结局和暴露（或关键变量）都相关的因素同时存在，进而导致表面关联偏离真实机制。选择机制可能与混杂因素相关，从而让偏差更难以分离。
在设计层面，分层或整群等结构可以减少部分混杂影响；在分析层面，引入相关协变量并检查模型假设能进一步降低问题，但仍不能替代优质抽样与执行。
5.4 误差传播与不确定性沟通
误差传播强调：各种误差来源会共同影响最终估计的不确定性。良好的不确定性沟通需要区分“统计误差”（可通过方差估计反映）与“偏差风险”（需要通过设计、检查与敏感性讨论）。报告时应明确：结论受哪些假设影响、哪些部分更依赖研究者判断。
6 估计与推断：从样本到总体
估计与推断关注如何把样本信息转换为总体层面的结论，包括估计量选择、方差估计、以及不确定性的呈现方式。
6.1 估计量选择与无偏/一致性概念（概述）
估计量选择取决于目标参数类型（均值、比例、差异、回归系数等）以及抽样设计是否允许使用特定估计方法。无偏与一致性是理论性质，描述在抽样机制与模型条件下估计量的系统性偏离与随样本增加的收敛行为。
实际研究中常需要在“理论性质”与“可行性（数据、计算、假设可验证程度）”之间权衡。
6.2 方差估计方法
方差估计用于量化估计的不确定性。设计复杂度越高，方差估计越需要与抽样机制一致。
6.2.1 设计基础方差估计（概览）
设计基础方差估计基于抽样概率与样本结构。对于分层、整群、多阶段等复杂设计，方差计算通常需要考虑层间与群内相关、权重差异以及抽样阶段结构。
这种方法的优势在于与抽样设计一致，解释力更强。
6.2.2 重抽样/模拟思路（概览）
重抽样或模拟思路可用来近似复杂设计下的方差或分布特征。它的优势在于可处理较难直接推导的设计结构，但对实现细节与假设敏感。
选择时通常需要考虑：模拟次数、计算资源、以及是否能正确反映抽样层级结构。
6.3 置信区间与可信区间的呈现
置信区间与可信区间都用于表达不确定性，但其统计含义不同。置信区间更多对应频率学派的覆盖概率概念；可信区间更多对应贝叶斯框架下的后验分布解释。
无论采用何种体系，呈现方式都应清晰说明所用方法、区间含义、以及是否进行了设计校正。
6.4 结果报告的透明度规范
透明度规范要求报告至少包含：抽样方法与样本来源、抽样框架与入样规则简述、权重与方差估计方式、缺失处理策略、以及对关键假设的说明。对于非概率采样，通常需要更强调外推边界与偏差风险。
这种透明度有助于读者评估证据强度，也有助于后续研究复现与比较。
7 场景化选择：如何选对采样方法
选择采样方法需要从研究问题与现实条件出发，而不是先选“某种方法更高级”再反推设计。
7.1 定量研究与定性研究的匹配
定量研究通常强调可估计性与可推断性，因此更常采用概率采样或能够获得较清晰选择机制的设计。定性研究往往追求经验理解与概念生成，因此目的抽样、滚雪球或自愿参与等非概率策略更常见，但需明确结论适用范围与研究者定位。
7.2 小样本、难以接触与稀缺人群
当总体规模有限或接触成本高时，概率采样可能在成本上不可承受。此时可能需要在可实施方案之间折中，例如采用分阶段整群或合并框架的概率设计；若框架不可获得，则非概率策略可能更现实，但应在报告中增加偏差讨论与补充验证。
7.3 成本、时间与可用抽样框架的折中
成本与时间约束常决定选择优先级。若抽样框架可靠且覆盖广，概率抽样能提供更可推断的结论；若框架更新困难或缺失严重，使用非概率方法可能更快，但需要额外努力做一致性检查与外部对照。
因此设计决策往往需要同时评估：框架质量、执行可行性、以及可得样本规模的上限。
7.4 在线研究与移动端数据的适配
在线与移动端研究通常具备低边际成本与快速反馈优势，但容易带来自选择偏差与覆盖误差（例如不使用网络或设备不匹配的人群无法进入）。适配策略包括：优化招募渠道以减少单一群体主导、设置质量控制规则、并在分析阶段进行基准比较或敏感性评估。
8 实践流程与质量保证（轻量版“操作手册”）
本节提供轻量级的执行流程思路，强调可复现与质量控制。
8.1 抽样方案制定与预注册要点（概览）
抽样方案制定通常包括：明确总体定义、确定抽样单位与阶段结构、选择概率或非概率策略、设定样本量目标、以及定义权重与方差估计方法。
预注册要点强调在数据收集前固定关键设计要素与分析计划，减少后验调整带来的偏差。即便不进行正式预注册，也建议保留版本化文档记录。
8.2 抽样执行、跟踪与审计记录
执行中需要持续跟踪：实际入样概率是否与计划一致、替换或补充是否按规则发生、非响应的比例与构成如何变化。审计记录用于在事后解释偏差来源，也为方差估计提供必要信息。
8.3 数据清理与一致性检查
清理通常包括：识别异常提交、检查变量口径一致性、处理逻辑矛盾、以及评估缺失的分布。对权重相关的变量也需核对，如分层变量或规模变量是否在框架中保持同一时间点与同一定义。
一致性检查应尽量在建库阶段完成，避免分析后才发现重大口径偏差。
8.4 复核与报告模板（可读性优先）
复核建议覆盖：样本流图（含招募与剔除）、权重与方差估计方法说明、缺失处理策略、以及主要结果与不确定性展示方式。报告模板应强调可读性，使读者能够快速定位抽样设计细节与推断依据。
9 常见问题与“梗式”提醒
本节以常见误区为导向，提醒研究者在设计与报告中保持边界感。
9.1 “抽到的不是样本，是偏差”：识别典型陷阱
当抽样框架过窄、招募渠道单一、或执行过程中频繁替换且缺乏记录时，样本可能反映的是“可被接触到的人群”而非目标总体。一个常见陷阱是把“看起来符合某些特征”的样本当作代表性证据，却忽略未观测维度可能仍高度偏离。
9.2 “越随机越好”还是“越合适越好”：误区澄清
随机性是概率采样的重要特征，但“随机”并不自动等于“更好”。如果抽样框架不覆盖总体，或随机性没有与目标参数匹配，随机也会在错误方向上加快速度。更合理的标准通常是：选择机制是否与推断目标匹配，是否能被用于方差估计与偏差讨论。
9.3 代表性不是口号：用设计与证据支撑
代表性需要被支持，而不是被宣称。支持方式包括：框架质量评估、分层/整群结构合理性说明、权重与方差估计的一致性、以及对关键样本特征与外部基准的对照。若使用非概率方法，更应明确结论适用范围，并说明可能偏差的方向与强度。