欢迎来到总体与样本的世界！
你有没有想过，民调机构是如何只通过访问几千人，就能预测整个选举结果的？或者工厂如何知道一批饼干是否完美，而不用把每一块都吃掉？这就是抽样 (Sampling) 的威力！在本章中，我们将学习如何从“整锅汤”中捞出合适的“一匙”，以确保数据既准确、公平又实用。如果起初觉得定义很多，别担心——一旦你领悟了当中的现实逻辑，一切就会豁然开朗。
1. 大局观：总体 vs. 样本
在深入探讨“如何”抽样之前，我们需要知道我们在“讨论什么”。在统计学中，我们有两个非常重要的词汇：
1. 总体 (Population)：你感兴趣的所有项目或人员的总体（例如：“英国所有的学生”）。
2. 样本 (Sample)：从总体中选出的较小群体（例如：“你学校里的 50 名学生”）。
必须记住的关键术语：
● 参数 (Parameter)：总体 (Population) 的数值属性（例如：全英国所有人真实的平均身高）。
● 统计量 (Statistic)：样本 (Sample) 的数值属性（例如：你测量的 50 名学生的平均身高）。我们使用统计量来估计参数。
快速记忆小撇步：
Population（总体）= Parameter（参数）
Sample（样本）= Statistic（统计量）
重点温习：
统计量仅是样本数值的函数。它不应包含任何“未知”数值——它纯粹基于你所收集的数据！
2. 什么叫作“随机”样本？
在 Pearson Edexcel 课程大纲中，大小为 \(n\) 的随机样本 (Random sample) 必须满足特定规则才算公平。要达到真正的随机，必须符合：
● 总体中的每一名成员都有相等机会被选中。
● 所有大小为 \(n\) 的子集（群组）都必须有可能被选中。
● 每一个大小为 \(n\) 的可能样本都必须有相等机会出现。
两种抽样方式：
1. 简单随机抽样（不放回）：一旦选中一个人，就不会把他们放回“帽子”里。这是学校专题中最常见的方法。
2. 非限制随机抽样（放回）：你选中某人，记录数据，然后把他们“放回去”。这意味着理论上同一个人可能会被选中两次！
如何获取真正的随机数字：
你不能只靠“想”出随机数（人类其实很不擅长随机！）。相反地，请使用：
● 随机数表 (Random number tables)：由机器生成的数字网格。
● 计算器：使用科学计算器上的 Ran# 或 RanInt 功能。
关键收获：随机样本是“黄金标准”，因为它有助于避免偏差 (Bias)（偏袒特定对象）。
3. 随机抽样技术
有时候，单纯从帽子里抽签并不切实际。以下是你需要了解的常见随机方法：
简单随机抽样 (Simple Random Sampling)
为每个人分配一个号码，然后由随机数生成器选出获胜者。
● 优点：完全无偏差；每位成员都有均等机会。
● 缺点：如果总体过于庞大（例如全世界），操作会非常困难。
系统抽样 (Systematic Sampling)
随机选定一个起点，然后每隔 \(k\) 个成员取样一次（例如：列表中的每第 10 个人）。
● 例子：在生产线上检测每第 50 个灯泡。
● 优点：非常简单且快速。
● 缺点：如果列表本身存在“规律”，可能会导致偏差。
分层抽样 (Stratified Sampling)
将总体分成不同的组别，称为层 (Strata)（例如：高二和高三）。然后从每一层中进行随机抽样。
● 比例分层：如果高二的学生人数是高三的两倍，你的样本中高二的人数也应是高三的两倍。这极具代表性！
● 非比例分层：你可能会从人数极少的组别中抽取更多人，以确保你有足够的数据来分析他们。
整群抽样 (Cluster Sampling)
将总体分为彼此相似的群组（群集，例如：镇上的不同街道）。你随机挑选几个群集，并对其中的每个人进行取样。
● 比喻：想象一盒 KitKat 巧克力，每一条都是一个“群集”。为了品尝配方，你随机选出两整条，并吃掉那两条里的所有手指巧克力。
4. 非随机抽样技术
有时随机抽样是不可能或成本太高的。以下是替代方案：
判断抽样 (Judgmental Sampling)
研究人员利用个人的“专业判断”来挑选样本。
● 风险：极易产生偏差，因为它取决于单个人的主观意见。
滚雪球抽样 (Snowball Sampling)
你找到一个人，他们会“推荐”他们的朋友给你，然后那些朋友再推荐更多朋友。
● 你知道吗？这通常用于难以接触的群体。例如，如果你想研究非法药物使用者或非常冷门爱好者，你不会有名单。你会找到一个人，请他帮忙介绍其他人。
配额抽样 (Quota Sampling)（一种非随机抽样）
类似分层抽样，但你只需要出门找到足够的人直到填满“配额”（例如：“我需要 20 男 20 女”）。你不一定会随机挑选；你可能只是在街上拦住看起来符合描述的人。
重点温习：
随机 (Random) = 不涉及人为选择（由“帽子”决定）。
非随机 (Non-Random) = 由人为选择或客观情况决定。
5. 选择合适的方法与实际限制
在考试中，你可能会被问到研究人员为什么选择特定方法。请务必考虑以下三个限制因素：
1. 成本：去全国各地进行调查是否太昂贵？
2. 时间：我们是否需要即时结果（例如：选举期间的出口民调）？
3. 抽样框架 (Sampling Frame)：我们是否有每个人的名单？如果没有名单，就无法进行简单随机抽样。
常见陷阱：
● 选择偏差 (Selection Bias)：如果你只在健身房抽样，你不能声称结果代表“全镇的健康状况”。
● 无回应 (Non-Response)：如果你发出了 100 份问卷，只有 5 个人回覆，这 5 个人可能持极端意见，这会破坏你的数据有效性。
范例场景：
● 市场调查：通常使用配额或分层抽样，以确保能听取不同年龄/性别群体的意见。
● 质量保证：通常在生产线上使用系统抽样（每 100 件产品一件）。
● 出口民调：使用整群抽样（挑选特定投票站）以在选举日快速获取结果。
关键收获：没有完美的抽样方法。目标是选择一种在成本与时间最低的前提下，能提供最少偏差的方法。
总结检查表
● 我能解释总体与样本的区别吗？
● 我知道参数与统计量的区别吗？
● 我能列出随机样本的三个必要条件吗？
● 我了解滚雪球抽样的“特殊用途”吗？
● 我能解释为什么分层抽样通常比简单随机抽样更具代表性吗？
如果需要多读几遍，请不用担心！抽样的核心在于逻辑。只需不断问自己：“如果我在现实中这样做，这公平吗？”