KNOWECON WIKI

ARTICLE

margin of error

误差范围 (Margin of Error) 误差范围（Margin of Error，简称 MOE）是抽样调查与统计推断中衡量估计精度最常用的指标之一。它表示在给定置信水平（通常为 95\%）下，样本统计量（如样本均值或样本比例）与真实总体参数之间差异的最大可能范围。简言之，误差范围定义了由于随机抽样产生的波动，调查结果在多大程度上可能偏离真值。在民意调查

浏览 0 更新 2025-10-29

误差范围 (Margin of Error)

误差范围（Margin of Error，简称 MOE）是抽样调查与统计推断中衡量估计精度最常用的指标之一。它表示在给定置信水平（通常为 95\%）下，样本统计量（如样本均值或样本比例）与真实总体参数之间差异的最大可能范围。简言之，误差范围定义了由于随机抽样产生的波动，调查结果在多大程度上可能偏离真值。在民意调查、市场研究和经济统计中，误差范围常以"±3%\pm 3\%"的形式报告，是公众理解数据可靠性的核心工具。

定义与公式

对于一个简单随机样本，设 p^\hat{p} 为样本比例，nn 为样本量，置信水平 1−α1-\alpha 对应的标准正态分布临界值为 zα/2z_{\alpha/2}，则比例估计的误差范围为：

MOE=zα/2⋅p^(1−p^)n\text{MOE} = z_{\alpha/2} \cdot \sqrt{\frac{\hat{p}(1-\hat{p})}{n}}

其中 p^(1−p^)n\sqrt{\frac{\hat{p}(1-\hat{p})}{n}} 是标准误（Standard Error）。在 95\% 置信水平下，z0.025≈1.96z_{0.025} \approx 1.96，若缺乏 p^\hat{p} 的先验信息，常取最保守情形 p^=0.5\hat{p} = 0.5，此时标准误达到最大值，公式简化为：

MOEmax≈0.98n\text{MOE}_{\text{max}} \approx \frac{0.98}{\sqrt{n}}

对于更一般的估计量（如样本均值 xˉ\bar{x}），误差范围的形式为 zα/2⋅σ/nz_{\alpha/2} \cdot \sigma / \sqrt{n}，其中 σ\sigma 为总体标准差（通常用样本标准差 ss 替代）。这一形式清晰地揭示了误差范围与样本量的平方根成反比关系——将误差范围减半需要四倍的样本量，这是调查设计中成本控制的关键约束。

误差范围与置信区间具有一一对应关系。95\% 置信区间即为 p^±MOE\hat{p} \pm \text{MOE}，其频率学解释为：如果重复抽样并每次构建区间，95\% 的区间将覆盖真实总体参数。值得注意的是，任何单次调查的区间要么包含真值，要么不包含——95\% 指的不是"真值有 95\% 概率落在该区间内"（这属于贝叶斯统计的可信区间解释），而是指长期频率意义上的覆盖率。

影响因素

样本量是误差范围最主要的决定因素。上述公式表明 MOE ∝1/n\propto 1/\sqrt{n}，这一平方根关系意味着随着样本量增大，误差范围缩小的边际收益递减。例如，从 n=100n=100 增加到 n=400n=400，MOE 从约 ±9.8%\pm 9.8\% 减半至 ±4.9%\pm 4.9\%；但从 n=1000n=1000 增加到 n=2000n=2000，MOE 仅从约 ±3.1%\pm 3.1\% 缩小至 ±2.2%\pm 2.2\%。

置信水平的选择直接影响误差范围的大小。若将置信水平从 95\% 提高到 99\%（z0.005≈2.576z_{0.005} \approx 2.576），误差范围将增大约 31\%，反映了在更高把握声称真值在区间内与区间宽度之间的权衡。

总体变异性在比例估计中由 p^(1−p^)\hat{p}(1-\hat{p}) 捕捉。当 p^\hat{p} 接近 0 或 1 时变异性最小，当 p^=0.5\hat{p}=0.5 时变异性最大。实际调查中通常报告最坏情况下的误差范围（以 0.5 代入），或直接使用观测到的 p^\hat{p} 计算更为精确的实际误差范围。

有限总体修正因子（Finite Population Correction, FPC）适用于抽样比例较高（如超过 5\%）的情形。当样本量 nn 相对于总体规模 NN 不可忽略时，FPC 因子 (N−n)/(N−1)\sqrt{(N-n)/(N-1)} 用于调整标准误，从而缩小误差范围。需注意，FPC 的修正仅在总体较小时有意义——对于全国性民意调查（NN 极大），是否包含 FPC 几乎不影响结果。

常见误解与正确解读

误差范围被广泛误用，以下几点澄清至关重要：

  • 误差范围仅反映抽样误差：MOE 仅量化由于随机抽样而非普查导致的变异，不考虑非抽样误差，包括覆盖偏误（抽样框未能代表目标总体）、无回答偏误（某些群体系统性拒绝参与）、测量误差（问卷设计不当或受访者理解偏差）以及数据处理错误。因此，实际调查的总误差总是大于报告的误差范围。
  • 误差范围适用于整体而非子群：报告的 MOE 通常仅对全样本有效。子群体（如按年龄、性别或地区分组）的样本量更小，对应的误差范围更大。例如，一项 n=1000n=1000、全样本 MOE 为 ±3%\pm 3\% 的调查，对于仅含 200 人的子群体，其 MOE 约为 ±6.9%\pm 6.9\%。
  • 两个估计值之差的误差范围更大：比较两个调查数字（如候选人支持率变化或两个群体之间的差异）时，差异的标准误约为各自标准误的 2\sqrt{2} 倍（假设独立）。因此，"候选人 A 领先 B 两个百分点"的声明，若各自的 MOE 为 ±3%\pm 3\%，该差异在统计上可能并不显著。
  • 非概率样本不适用误差范围：MOE 严格建立在概率抽样理论上。方便样本、网络自愿调查等非概率抽样的结果不能使用传统的误差范围公式——其"误差"取决于样本与总体的系统性偏差，无法由统计公式给出。

实际应用与报告惯例

新闻报道和调查报告中，误差范围通常以"±3\pm 3 个百分点"的形式呈现。这一惯例内含若干假设：95\% 置信水平、简单随机抽样、以及最坏情形（p^=0.5\hat{p}=0.5）。实际调查设计的标准误计算往往更为复杂——考虑到分层抽样、整群抽样等复杂的多层次设计，标准误需通过泰勒线性化、刀切法或Bootstrap重抽样等方法估计。当存在设计效应（Design Effect, DEFF）时，有效样本量 neff=n/DEFFn_{\text{eff}} = n / \text{DEFF} 替代原始样本量，误差范围相应扩大。

在经济学和计量经济学中，误差范围与标准误共同构成回归表格的核心组成部分：回归系数旁的括号中常报告标准误或稳健标准误，95\% 置信区间可由 β^±1.96⋅SE\hat{\beta} \pm 1.96 \cdot \text{SE} 获得，这在概念上与调查中的误差范围完全一致，均为随机变异下估计不确定性的量化表达。

样本量规划

误差范围公式的一个关键实际用途是事前确定所需样本量。给定期望的误差范围 EE 和置信水平，简单随机抽样所需的最小样本量为：

n=zα/22⋅p^(1−p^)E2n = \frac{z_{\alpha/2}^2 \cdot \hat{p}(1-\hat{p})}{E^2}

在缺乏先验比例信息时取 p^=0.5\hat{p}=0.5 得到最大样本量，确保在任何真实比例下误差范围均不超过 EE。例如，欲获得 ±3%\pm 3\% 的误差范围（95\% 置信水平），代入 z0.025=1.96,p^=0.5,E=0.03z_{0.025}=1.96, \hat{p}=0.5, E=0.03 可得 n≈1067n \approx 1067。这正是大多数全国性民意调查样本量在 1000 左右的技术原因——它提供了精度与成本之间的合理平衡。若要求误差范围缩小至 ±1%\pm 1\%，样本量需增至约 9604，成本将呈数量级增长，这与前述平方根关系的推论完全吻合。