概率抽样

概率抽样

概率抽样（Probability Sampling）是一种基于随机化原则的抽样方法，要求总体中每个单元被选入样本的概率已知且非零。与非概率抽样（如便利抽样、配额抽样）不同，概率抽样为统计推断提供了严格的概率论基础，使研究者能够从样本特征出发对总体参数进行无偏估计，并量化估计的不确定性。概率抽样是推断统计学的基石，广泛用于普查、市场研究、计量经济学和A/B测试等领域。

概率抽样的核心原则

概率抽样的有效性建立在大数定律与中心极限定理之上。其核心原则包括：

• 随机性：每个抽样单元被选中的概率由随机机制确定，而非主观判断，从而避免选择性偏差。
• 已知概率：每个单元的入样概率可精确计算，这是构造估计量和计算标准误的前提。
• 可重复性：原则上，在相同抽样框架下可重复抽取等概率样本，使抽样误差的量化成为可能。

这些原则确保样本统计量（如样本均值）是总体参数（如总体均值）的无偏估计量，且估计量的方差可表示为抽样设计的函数——这一思想集中体现在Horvitz-Thompson估计量中。

主要概率抽样方法

简单随机抽样

简单随机抽样（Simple Random Sampling, SRS）是最基础的概率抽样形式。从包含 $N$ 个单元的总体中无放回地等概率抽取 $n$ 个单元，每个 $\binom{N}{n}$ 种可能样本被选中的概率相等。样本均值 $\bar{y} = \frac{1}{n}\sum_{i=1}^{n} y_i$ 是总体均值 $\mu$ 的无偏估计，其方差为 $\operatorname{Var}(\bar{y}) = \frac{S^2}{n}(1 - \frac{n}{N})$，其中 $S^2$ 为总体方差，$(1 - n/N)$ 为有限总体校正因子。SRS 操作简便，但效率较低，尤其当总体存在明显异质性时。

分层抽样

分层抽样（Stratified Sampling）先将总体划分为若干个互不重叠的层（Strata），再从每层独立地进行简单随机抽样。分层抽样的核心动机是减少方差：若层内单元高度同质而层间差异较大，分层后的估计量方差将显著小于同等样本量下的 SRS。分层抽样的总体均值估计量为 $\bar{y}_{\text{st}} = \sum_{h=1}^{H} W_h \bar{y}_h$，其中 $W_h = N_h / N$ 为层权，$\bar{y}_h$ 为第 $h$ 层的样本均值。其方差取决于层内方差而非层间方差，因此当层内同质性高时效率最优。最优分配（Neyman Allocation）进一步依据层内标准差与层规模分配样本量，使估计精度最大化。

整群抽样

整群抽样（Cluster Sampling）将总体划分为若干个群（Cluster），随机抽取部分群后，对入选群内的全部单元进行调查。与分层抽样相反，整群抽样适用于群内异质、群间同质的情形，典型案例如以学校为群的教育测量中以班级为抽样单元。整群抽样的效率通常低于 SRS，因为同一群内单元往往具有正相关性——这种相关性由组内相关系数（Intraclass Correlation Coefficient, ICC）度量，设计效应（Design Effect）近似为 $1 + (m-1)\rho$，其中 $m$ 为平均群规模，$\rho$ 为 ICC。整群抽样的优势在于实施成本低：当抽样框架难以全面构建、或访问分散的个体成本过高时，整群抽样在预算约束下往往优于 SRS。

系统抽样

系统抽样（Systematic Sampling）按固定间隔 $k = N/n$ 从排序后的总体列表中抽取单元。当列表的排序方式与目标变量存在周期性或趋势性关联时，系统抽样可能比 SRS 更高效（如按地理顺序排序的土地调查），也可能产生严重偏差（如按周为周期的经济时间序列中每隔 7 天抽样）。系统抽样可以视为一种隐式分层，其方差估计通常需要借助连续差法或重叠子样本法。

多阶段抽样

多阶段抽样（Multistage Sampling）是整群抽样的推广，在大型全国性调查（如中国家庭追踪调查 CFPS、美国当前人口调查 CPS）中广泛应用。第一阶段随机抽取初级抽样单元（PSU，如县/区），第二阶段在入选 PSU 内抽取次级单元（SSU，如街道/居委会），依此类推，直至最终抽样单元（住户或个人）。多阶段抽样通过逐级抽样集中样本分布，降低实地调查的交通与管理成本，但每个阶段的聚类效应会累积放大设计效应，需要在估计中采用Taylor级数线性化或自助法（Bootstrap）计算稳健标准误。

概率抽样在经济学中的应用

在计量经济学与实证经济学中，概率抽样构成了参数估计与假设检验的底层前提。随机对照试验（RCT）是概率抽样思想的直接延伸——通过随机分配处理组与控制组，确保可忽略性（Ignorability）假设成立，从而识别因果效应。调查数据（如中国健康与营养调查 CHNS、劳动力调查）的推断质量高度依赖抽样设计的科学性；不恰当的抽样框架或过高的无应答率将导致样本选择偏差，使估计丧失一致性。

在金融经济学中，概率抽样还体现在资产定价的实证检验中：事件研究中样本窗口的选取、因子模型的估计中投资组合的分组构建，均涉及抽样逻辑。蒙特卡洛模拟虽非严格意义上的概率抽样，但其核心机制——从已知分布中随机抽取大量样本以逼近解析解——与概率抽样的统计理念一脉相承。

挑战与前沿方法

概率抽样在实践中的主要挑战包括：无应答偏差（Nonresponse Bias）破坏随机性，需要借助逆概率加权（Inverse Probability Weighting）或多重插补（Multiple Imputation）加以修正；抽样框覆盖不足导致部分总体单元被排除在入选可能性之外（如仅以固定电话用户为框的电话调查遗漏了仅使用手机的人群）；复杂抽样设计使标准统计软件中的简单公式失效，需采用调查权重与稳健方差估计（如刀切法 Jackknife 或平衡重复复制 Balanced Repeated Replication）。

近年来，非概率样本与概率样本的混合方法成为前沿方向：利用倾向得分加权（Propensity Score Weighting）矫正非概率样本的选择偏差，或采用贝叶斯分层模型融合多源数据。大数据的兴起虽提供了海量非概率样本（如社交媒体数据），但概率抽样在推断有效性上的理论优势依然不可替代，二者互补是数据科学时代抽样方法发展的重要趋势。

知识延伸

概率抽样与以下概念构成紧密的知识网络：抽样分布描述了统计量在所有可能样本下的概率分布；抽样误差界定估计量与真实参数之间的随机偏差；置信区间与假设检验提供了基于样本推断总体的操作框架；设计效应衡量不同抽样设计相对于 SRS 的效率损失或增益；非抽样误差涵盖测量误差、无应答误差等非随机偏差来源；Rao-Blackwell定理与Lehmann-Scheffé定理则从理论上刻画了基于概率样本的最优估计量的构造路径。