欢迎来到统计抽样的世界！
你好！欢迎来到数学课程中最实用的一章。你有没有想过新闻频道是如何在点票结束前预测选举结果的？或者科学家如何在不对地球上每个人进行测试的情况下，判断一种新药是否有效？答案就是抽样（Sampling）。
在本章中，我们将学习如何挑选一小群人或物件来代表一个庞大的群体。如果比起代数，统计学让你觉得内容比较“文字化”，别担心——我们会循序渐进地为你拆解！
1. 基本概念：总体与样本
在我们开始挑选群体之前，需要先了解“整体”与“我们观察的部分”之间的区别。
关键术语：
总体（Population）：你感兴趣的全部人员或物件。
例子：你学校里的所有学生。
样本（Sample）：从总体中挑选出来，实际进行研究的一小群人。
例子：午饭时间在食堂随机挑选的 20 名学生。
普查（Census）：收集总体中每一位成员的数据。
例子：政府每 10 年进行一次的人口普查。
抽样框（Sampling Frame）：总体中所有人或物件的列表。你需要这份列表来进行随机抽样。
例子：学校的学生注册名册。
“汤”的类比
想象你正在煮一大锅蔬菜汤（这是总体）。你想知道汤是否需要多加点盐。你不会把整锅汤喝光（那是普查）！相反，你会先搅拌均匀，然后尝一勺（这是样本）。如果那一勺汤的咸度适中，你就可以推论（infer）整锅汤的味道没问题。
快速复习箱：
• 总体 = 整锅汤。
• 样本 = 那一勺汤。
• 普查 = 把整锅汤喝完（既昂贵又花时间！）。
核心重点：我们使用样本是因为它比普查更快捷、成本更低。如果我们的样本具代表性，我们就可以对整个总体做出“非正式推论”——也就是合理的估计。
2. 你必须掌握的抽样技巧
OCR 课程大纲要求你理解并能够使用两种特定的抽样方式：简单随机抽样（Simple Random）和机会抽样（Opportunity）。
A. 简单随机抽样
在简单随机抽样中，总体的每一位成员都有均等的机会被选中。这就像把所有人的名字写在纸条上放入一个大帽子里，然后随机抽出来一样。
操作步骤：
1. 给总体的每一位成员编上唯一号码。
2. 使用随机数产生器（计算器或电脑上的）来抽取号码。
3. 将这些号码与列表中的名字进行对照。
优点：非常公平且无偏见。
缺点：你需要完整的总体列表（抽样框），这并不总是能够获得的。
B. 机会抽样（便利抽样）
这种方式是指你直接挑选当下随手可得的人。
例子：站在超级市场门口，询问头 10 个经过的人对某事物的看法。
优点：非常简单、快速且低成本。
缺点：极有可能产生偏见（biased）。如果你站在健身房外面，你的样本可能比一般人更热爱运动！
核心重点：简单随机抽样是公平性的“黄金标准”，但机会抽样在执行上最为容易。
3. 你需要评鉴的抽样技巧
接下来的这四种方法，你不需要知道如何计算，但你必须了解它们的定义，以便在考试中讨论它们的优缺点。
A. 系统抽样（Systematic Sampling）
以固定的间隔挑选对象。
例子：在名单上挑选每第 \(10^{th}\) 个人。
评鉴：执行简单，但如果列表本身有规律，可能会导致样本出现偏见。
B. 分层抽样（Stratified Sampling）
将总体分成不同的组别（称为层（strata）），例如按年龄或性别分组。然后从每一组中进行随机抽样，使样本的比例与总体一致。
例子：如果学校里 60% 是女生，40% 是男生，那么你的样本也应该包含 60% 女生和 40% 男生。
评鉴：它是最能代表总体的抽样方式，但组织过程较为复杂。
C. 配额抽样（Quota Sampling）
与分层抽样类似，你有分组，但不是随机选择。你只是不断寻找对象，直到填满你的“配额”。
例子：“我需要 10 个男性和 10 个女性；我就随机拦下遇到的前几个人。”
评鉴：不需要抽样框，但研究者挑选对象的偏好可能会引入偏见。
D. 整群抽样（Cluster Sampling）
你将总体分成小组（群体），每个小组都应该代表整体，然后挑选其中一个完整的群体进行研究。
例子：为了研究英国学生，你挑选 3 所特定的学校，并访问那里的所有学生。
评鉴：比在全国各地奔波便宜得多，但如果你挑选的群体并不具代表性，结果就会出错。
你知道吗？“Strata”一词在拉丁语中意为“层”。把分层抽样想象成一层层的蛋糕——你希望切出来的一块里每一层都有！
4. 偏见与样本大小
即使出发点是好的，事情也可能出错。这就是所谓的偏见（Bias）。
常见错误：
1. 样本太小：如果你只询问 2 个人的意见，你不可能知道全国的想法。样本越大，结果通常越可靠。
2. 无回应（Non-response）：你发出了 100 份问卷，但只有持有强烈（通常是负面）观点的人才回复。
3. 覆盖不足（Undercoverage）：你的抽样框（列表）遗漏了一些人（例如：使用电话簿会遗漏没有座机电话的人）。
抽样变异性（Sampling Variability）
重要的是要明白，不同的样本会导致不同的结论。如果两名学生同时从同一所学校随机抽取 20 人，他们的平均身高结果可能会略有不同。这不是错误，这只是抽样的本质！
如果觉得这部分很难，别担心：在考试中，如果被要求“评鉴”某种抽样方法，试着找出它为什么可能无法公平地代表所有人。它是否遗漏了某个群体？它是否只是挑选了“容易”获取的人？样本大小是否太小？
核心重点：一个样本只有在具代表性（representative）时才是“好的”。如果它偏袒某个群体，那就是有偏见（biased）的。
摘要清单
在继续之前，请确保你能：
• 定义总体、样本和普查。
• 解释如何使用随机数进行简单随机抽样。
• 描述机会抽样以及它为何可能产生偏见。
• 识别系统抽样、分层抽样、配额抽样和整群抽样。
• 解释为什么较大的样本量通常更好。
做得好！你刚刚掌握了统计抽样的基础知识。准备好进入数据展示的学习了吗？