误差范围

误差范围 (Margin of Error)

误差范围 (Margin of Error, MOE) 是统计学中衡量抽样调查结果不确定性的核心指标。它量化了由随机抽样误差导致的样本统计量（如样本比例或样本均值）与所要估计的总体参数之间可能的差异。例如，在一项民意调查中，"55\%的受访者支持某项政策，误差范围为±3\%"，这意味着我们有一定程度的信心（通常是95\%）认为支持该政策的真实总体比例落在52\%–58\%之间，这个区间就是置信区间。误差范围的大小直接影响着调查结果的可靠性和研究结论的可信度。

构成与计算

误差范围是构建置信区间的关键步骤，其基本公式为：

临界值由所选的置信水平决定。最常用的置信水平是95\%，对应临界值$z^* \approx 1.96$（来自正态分布的z分数）；90\%置信水平对应1.645；99\%对应2.576。置信水平越高，临界值越大，区间越宽，我们对区间包含真实值的把握也越大。对于小样本或总体标准差未知的情形，应使用t分布而非正态分布来确定临界值。

标准误 (Standard Error, SE) 衡量样本统计量抽样分布的离散程度，反映不同样本间统计量的预期变异性。标准误越小，样本统计量作为总体参数的点估计就越精确。估计比例时：$SE = \sqrt{p(1-p)/n}$；估计均值时：$SE = \sigma/\sqrt{n}$（$\sigma$未知时可用样本标准差$s$代替并结合t分布确定临界值）。标准误的大小直接取决于样本量和总体的变异程度。

影响因素

1. 置信水平：正相关。置信水平越高（如从95\%提高到99\%），临界值增大，误差范围随之扩大。研究者需在信心程度与精度之间权衡。
2. 样本量$n$：负相关。样本量越大，样本代表性越强，包含的总体信息越多，误差范围越小。由于$n$位于分母平方根中，要将误差范围减半需将样本量增至四倍，这对调查成本有重要影响。
3. 总体变异性：正相关。总体内部差异越大，样本波动可能性越大，误差范围越大。估计比例时，$p=0.5$时变异性达到最大，因此规划调查时常取$p=0.5$作为最保守估计。

正确解读与局限

误差范围仅涵盖抽样误差，即仅量化了样本选择的随机性带来的不确定性，不包括无回答偏误、选择偏误或测量误差等系统性误差。一个95\%置信水平的严格频率学派统计解释是：若以同样方法从同一总体中反复抽取无数个相同大小的样本并为每个样本构建置信区间，约95\%的区间会包含总体真值——这并非指某个特定区间有95\%的概率包含真值。理解这一区别对避免误读统计结果至关重要。

计算示例

某城市调查1000名市民，600人支持修建新公园。样本比例$p=0.60$，$n=1000$，置信水平95\%（$z^*=1.96$）。标准误$SE = \sqrt{0.60 \times 0.40 / 1000} \approx 0.0155$，误差范围$MOE = 1.96 \times 0.0155 \approx 0.0304$（±3.04\%）。置信区间为56.96\%–63.04\%，整个区间高于50\%，故有充分信心推断大多数市民支持该项目。