Sampling

介绍：为什么抽样在进阶数学统计学中至关重要

未来的统计学家们，你们好！欢迎来到激动人心的抽样 (Sampling) 世界。
本章作为 S3 单元的一部分，是统计学的基础。它教会我们如何收集可靠的数据，而无需对现实中的每一个事物都进行测量。想象一下，要找出英国每个人的平均身高——这根本不可能！因此，我们采用样本 (Sample)。

理解科学的抽样技术至关重要，因为糟糕的抽样会导致糟糕的数据，而糟糕的数据会导致错误的结论（或者导致假设检验失败！）。如果一开始觉得有些复杂也不必担心，我们将一步步拆解这些方法。

核心学习目标：

• 定义核心术语（总体、样本、抽样框）。
• 区分不同的随机抽样与非随机抽样技术。
• 评估每种方法的优缺点。

第一部分：基础术语

在学习如何选择样本之前，我们必须掌握相关的专业术语。

1.1 总体与样本

总体 (Population)

总体 (Population) 是我们研究中感兴趣的全部个体或项目的集合。这可以是人、动物、物体或数据点。
例子：如果你想研究工厂今天生产的灯泡质量，那么总体就是今天生产的“所有”灯泡。

样本 (Sample)

样本 (Sample) 是从总体中选出的用于测量或观察的一小部分，是总体中可控的子集。
比喻：想象一下烤蛋糕。你不需要吃掉整个蛋糕来判断它是否烤熟，只需要尝一小勺（样本）来测试面糊（总体）即可。

普查 (Census)

当总体中的每一个成员都被纳入研究时，就称为普查 (Census)。
什么时候使用？ 仅当总体规模非常小，或者法律有要求时（例如全国人口普查）。

1.2 抽样单位与抽样框

抽样单位 (Sampling Unit)

抽样单位 (Sampling Unit) 是总体中可以被选中作为样本的单个成员或项目。
例子：如果总体是学校里的学生，那么单位就是一个学生。

抽样框 (Sampling Frame)

抽样框 (Sampling Frame) 是总体中所有抽样单位的完整列表。它就像我们选择样本时的“通讯录”。
例子：包含所有在校生姓名的学生花名册。

第二部分：随机抽样方法

在统计推断中，我们的目标是获得一个具有代表性的样本。这意味着样本的特征应能反映总体的特征。实现这一目标的最佳方法是随机抽样 (Random Sampling)，其中每个单位被选中的概率已知且不为零。

2.1 简单随机抽样 (Simple Random Sample, SRS)

这是最简单的随机抽样形式。每个所需规模的可能样本都有相同的被选中概率，且每个单位都有相同的被选中机会。

简单随机抽样的过程：

1. 创建一个完整的抽样框（所有单位的名单）。
2. 给抽样框中的每个单位分配一个唯一的编号。
3. 使用完全随机的方法（例如随机数生成器、从盒子里抽取带编号的纸条）来选出所需的样本量。

简单随机抽样的优点：

• 理论上无偏（不涉及人为判断）。
• 如果总体规模较小，易于理解和执行。

简单随机抽样的缺点：

• 需要完整的抽样框，而这可能不存在或难以建立。
• 对于庞大的总体，可能非常耗时。

2.2 系统抽样 (Systematic Sampling)

在系统抽样中，单位是按照从抽样框中设定的固定间隔选取的。

系统抽样的步骤：

设 \(N\) 为总体规模，\(n\) 为所需的样本规模。

1. 计算间隔大小 \(k\)：\(k = \frac{N}{n}\)（通常向下取整为最接近的整数）。
2. 在 1 到 \(k\) 之间选择一个随机起始点 \(r\)。
3. 选择编号为 \(r\) 的单位，然后选择 \(r + k\)、\(r + 2k\)，以此类推，直到达到样本量 \(n\)。

例子：总体 \(N=100\)，样本 \(n=10\)。间隔 \(k = 100/10 = 10\)。选择随机起点为 4。样本单位为 4, 14, 24, 34, ..., 94。

系统抽样的优点：

• 通常快速且简单易行。
• 如果单位在抽样框中是随机排列的，它往往能很好地代表总体。

系统抽样的缺点：

• 如果抽样框中存在与间隔 \(k\) 相吻合的隐藏模式或周期性，样本会产生严重的偏差。（例如：每 7 天取样一次可能会错过只在周末发生的趋势。）

2.3 分层抽样 (Stratified Sampling)

如果总体根据性别、年龄或地点等特征自然划分为不同的组（称为层 (strata)），分层抽样 (Stratified Sampling) 可以确保每一层在样本中都按比例得到体现。

何时使用分层抽样：

当总体是异质的 (heterogeneous)（不统一的），并且你认为被测量的特征（例如观点）受到不同层的影响时，请使用此方法。

比例原则（关键计算）：

从每一层中选择的单位数量必须与该层在总体中所占的比例一致。

$$ \text{某层样本量} = \frac{\text{该层总体规模}}{\text{总体规模}} \times \text{总样本量} $$

例子：某学院有 600 名男生和 400 名女生（总数 1000）。我们需要 100 个人的样本。
男生样本：\(\frac{600}{1000} \times 100 = 60\) 名男生。
女生样本：\(\frac{400}{1000} \times 100 = 40\) 名女生。

计算出每一层所需的数量后，在每一层内部的实际选择则通过简单随机抽样或系统抽样完成。

分层抽样的优点：

• 保证样本能准确反映总体在关键特征（如性别比例）上的结构。
• 通常能产生最具代表性和可靠性的数据。

分层抽样的缺点：

• 总体必须被明确分类为不同的层。
• 必须拥有详细的抽样框，注明每个单位所属的层。

第三部分：非随机（非概率）抽样方法

非随机抽样方法通常更快、更便宜，但它们依赖于研究者的主观判断。这意味着它们极易受到偏差 (bias) 的影响，不能可靠地用于统计推断（如假设检验）。

3.1 配额抽样 (Quota Sampling)

配额抽样类似于分层抽样，因为总体被划分为若干组（如年龄或性别），研究者为每一组设定目标（配额）。

配额抽样的运作方式：

调查员主动寻找调查对象，直到满足配额要求。在配额内部的选择完全由调查员的判断决定（例如，拦住遇到的前 10 名男性）。

配额抽样的优点：

• 不需要抽样框。
• 快速、简单且经济。
• 即使在限制调查对象接触条件的情况下也能进行研究（例如，需要面对面接触调查对象）。

配额抽样的缺点：

• 极易受到调查员偏差的影响（调查员可能会下意识选择看起来平易近人或乐意配合的人）。
• 结果不能可靠地推广到整个总体。

3.2 机会抽样（便利抽样, Opportunity/Convenience Sampling）

这是科学研究中最简单、最快速，通常也是最差的方法。选择样本纯粹是因为这些单位在研究时随手可得。

例子：调查图书馆外你遇到的前 20 个人。

机会抽样的优点：

• 极其容易且廉价。

机会抽样的缺点：

• 几乎肯定不具备代表性。（样本仅反映了恰好在那时出现在那个地方的人的观点。）
• 会导致显著的偏差。

第四部分：总结与评估

4.1 普查在何时适用？

只有在以下情况下，普查（研究整个总体）才适用：

• 总体规模非常小。
• 研究涉及非破坏性测试（即不需要把灯泡测试到坏掉为止）。
• 需要高准确度，且你有无限的时间和资源。

4.2 对比表：方法、优缺点

方法	关键特征	优点	缺点
简单随机	完全基于机会选择。	无偏；易于分析结果。	需要完整抽样框；大规模调查昂贵。
系统抽样	固定间隔 (\(k = N/n\))。	快速且易于执行。	若抽样框内有周期性循环，可能会产生偏差。
分层抽样	关键子组的比例代表性。	高度代表性；减少变异性。	需掌握层大小；需要复杂抽样框。
配额抽样	调查员按配额选取单位。	无需抽样框；田野调查快且便宜。	极易产生调查员偏差；并非真正随机。
机会抽样	选择随手可得的单位。	极其快速且便捷。	偏差最高；无代表性。

你知道吗？ 政治民调公司花费数百万美元确保其样本完美分层，通常平衡数十种特征（年龄、地理位置、投票历史）以减少偏差并准确预测选举结果！

你已经成功掌握了抽样的核心方法！带着这些知识继续学习 S3 单元的后续章节吧，在那里我们将使用这些样本进行强大的统计推断。多加练习比例计算，你很快就能成为抽样专家！