KNOWECON WIKI

ARTICLE

抽样方案

抽样方案 (Sampling Plan / Sampling Scheme) 抽样方案 (Sampling Plan / Sampling Scheme)，也称抽样设计 (Sampling Design)，是统计学和调查方法论中的核心概念，指研究者为从某一总体中选取样本而预先制定的一套系统性规则和操作流程。一个完整的抽样方案不仅规定了"抽哪些单位"和"怎么抽

浏览 0 更新 2025-11-12

抽样方案 (Sampling Plan / Sampling Scheme)

抽样方案 (Sampling Plan / Sampling Scheme)，也称抽样设计 (Sampling Design)，是统计学和调查方法论中的核心概念，指研究者为从某一总体中选取样本而预先制定的一套系统性规则和操作流程。一个完整的抽样方案不仅规定了"抽哪些单位"和"怎么抽"，还涵盖了样本容量的确定、估计量的选择以及全流程的误差控制策略，是连接理论推断与实证数据的桥梁。

抽样方案的科学与否直接影响统计推断的有效性。一个设计不当的抽样方案可能导致严重的抽样偏误、估计精度不足或资源浪费，甚至使数据从根本上丧失代表性。

抽样方案的核心要素

一个完善的抽样方案通常包含以下五个关键组成部分：

目标总体与抽样框 (Target Population and Sampling Frame)

目标总体是研究者希望得出最终结论的全部对象的集合。而抽样框 (Sampling Frame) 则是实际用于抽取样本的操作化清单或规则。理想情况下抽样框应与目标总体完全重合，但在现实操作中两者之间经常出现落差。例如，在电话调查中，目标总体是"某市所有常住居民"，但抽样框可能是"该市固定电话号码簿"，这便排除了未登记电话的居民，造成覆盖偏误 (Coverage Bias)。一个好的抽样方案必须尽可能缩小抽样框与目标总体之间的差距。

抽样方法的选择 (Selection of Sampling Method)

抽样方法分为概率抽样和非概率抽样两大范式。

概率抽样 (Probability Sampling) 保证总体中每个单位具有已知且非零的入样概率，从而能基于概率论进行严格的统计推断：

  • 简单随机抽样 (Simple Random Sampling, SRS)：从总体中完全随机地抽取 n n 个单位，所有可能的样本组合被选中的概率相等。SRS 是所有概率抽样方法的理论基准，操作简单，但对抽样框的完整性要求最高。
  • 分层抽样 (Stratified Sampling)：先将总体按某一关键特征（如年龄、收入或地区）划分为互不重叠的"层" (Strata)，再在各层内独立随机抽样。当层内同质性高、层间差异大时，分层抽样可大幅降低标准误，此即分层效应。
  • 整群抽样 (Cluster Sampling)：先将总体划分为若干"群" (Clusters)，随机抽取部分群后再对中选群内的单位进行全面调查或二次抽样。该方法尤其适用于缺乏完整抽样框的大规模调查（如全国性住户调查先抽社区再抽住户）。代价是当群内同质性较强时，估计效率低于 SRS，这被称为设计效应 (Design Effect)。
  • 系统抽样 (Systematic Sampling)：将总体按某种顺序排列后随机确定起点，每隔固定间隔 k k 抽取一个单位。实现简便，在操作层面类似于隐式分层，但需警惕总体排列中的周期性模式引发系统性偏误。
  • 多阶段抽样 (Multi-stage Sampling)：将上述方法组合使用，例如第一阶段抽取区县，第二阶段在其中抽取村/社区，第三阶段抽取住户。每一阶段可采用不同的抽样方法，适用于超大规模、地理分散的总体。

非概率抽样 (Non-probability Sampling) 不依赖随机机制，样本的入样概率未知，因而无法进行严格的统计推断，但因成本低、实施快而在探索性研究和市场调研中广泛应用：

  • 便利抽样 (Convenience Sampling)：选取最容易接触到的个体（如街头拦访），代表性难以保证。
  • 配额抽样 (Quota Sampling)：预设各类别配额使样本在关键特征上的分布接近总体，但配额内的个体选择仍是非随机的。
  • 立意抽样 (Purposive Sampling)：基于研究者专业知识有目的地挑选"信息丰富"的典型个案。
  • 滚雪球抽样 (Snowball Sampling)：从少数种子受访者出发，通过其社会网络逐步扩大样本，常用于难以接触的隐匿人群研究。

样本容量的确定 (Sample Size Determination)

样本容量 n n 的确定必须在统计精度与实际成本之间取得平衡。

基于精度的方法： 设目标估计量为总体均值 μ \mu ，其估计量为样本均值 Xˉ \bar{X} 。研究者在置信水平 1−α 1 - \alpha 下，要求估计绝对误差不超过 d d ：

P(∣Xˉ−μ∣≤d)=1−αP(|\bar{X} - \mu| \leq d) = 1 - \alpha

对于简单随机抽样（放回），由中心极限定理可得：

n=zα/22σ2d2n = \frac{z_{\alpha/2}^2 \sigma^2}{d^2}

其中 zα/2 z_{\alpha/2} 为标准正态分布的 α/2 \alpha/2 上侧分位数（如 95\% 置信水平时 z0.025≈1.96 z_{0.025} \approx 1.96 ），σ2 \sigma^2 为总体方差。该公式揭示了三者之间的关系：总体变异性越大、d d 越小（要求越精确）、置信水平越高，所需样本容量就越大。

对于更复杂的抽样设计，上述公式需乘以设计效应 deff deff 进行调整：ncomplex=nSRS×deff n_{\text{complex}} = n_{\text{SRS}} \times deff 。

基于成本的方法： 设总成本 C=c0+c1n C = c_0 + c_1 n （c0 c_0 为固定成本，c1 c_1 为边际成本），在预算约束 C≤Cmax⁡ C \leq C_{\max} 下最大化 n n ，或在给定 n n 下最小化成本。

估计方法与抽样权重 (Estimation and Sampling Weights)

抽样方案必须明确参数估计的公式。对于等概率设计（如 SRS），总体均值的一个无偏估计量是样本均值 Xˉ=1n∑i=1nXi \bar{X} = \frac{1}{n}\sum_{i=1}^{n} X_i 。然而对于不等概率抽样（如按规模比例的概率抽样，PPS），必须引入抽样权重进行校正：

wi=1πiw_i = \frac{1}{\pi_i}

其中 πi \pi_i 是单位 i i 的入样概率。此时总体均值的无偏估计为Horvitz-Thompson 估计量：

μ^HT=1N∑i=1nXiπi\hat{\mu}_{\text{HT}} = \frac{1}{N} \sum_{i=1}^{n} \frac{X_i}{\pi_i}

在现实调查中，权重还需经过无回答调整 (Non-response Adjustment) 和事后分层调整 (Post-stratification) 等步骤，才能最终用于推断。

误差控制 (Error Control)

抽样方案须对两类误差建立清晰的控制框架：

  • 抽样误差 (Sampling Error)：因仅观测了总体的一部分而非全部导致的估计波动。它是抽样本身固有的，其量级可以通过增大样本容量和优化抽样设计来压缩。抽样误差通常用标准误或置信区间的宽度来量化。
  • 非抽样误差 (Non-sampling Error)：包含抽样框偏误、无回答偏误 (Non-response Bias)、测量误差及数据处理错误等。这类误差不会随样本容量增大而自动消失，且危害往往比抽样误差更大——一个拥有百万样本却存在严重覆盖偏误的调查，其结论可能比一个仅有千个样本但设计精良的调查更不可靠。

应用场景

抽样方案是实证研究的基础设施。在官方统计中，劳动力调查、居民消费价格指数 (CPI) 调查等均依赖严谨的多阶段概率抽样方案来确保数据的全国代表性。在市场研究领域，消费者调查常使用配额抽样以快速匹配目标人群结构。在工业质量控制中，验收抽样方案 (Acceptance Sampling Plan) 是一类标准化的特殊抽样方案——根据从同一批次产品中随机抽取的样本的检验结果，依据预设的接受/拒绝准则（如 AQL，可接受质量水平）判定整批产品合格与否。在社会科学和公共卫生领域，抽样方案决定了调查结果的外部有效性和推广能力。

综上，抽样方案是数据质量的"入场券"而非事后装饰。一个好的抽样方案要求在统计效率、操作可行性和成本约束之间找到最优平衡——这既是科学，也是艺术。