歡迎來到抽樣的世界！
你好！在準備 HKICPA QP 考試的過程中，你會發現商業經濟學 (Business Economics) 和統計分析 (Statistical Analysis) 是每一位專業會計師的核心工具。這一章節，我們將探討抽樣技術 (Sampling Techniques)。別擔心，就算你對數學不太感興趣也沒關係！ 我們會將這些概念拆解成簡單、合乎邏輯的步驟，並結合真實的商業環境來理解。
為什麼需要抽樣？ 想像一下，如果你是一名審計師，客戶有 1,000,000 張銷售發票。你根本不可能檢查每一張——那會花上好幾年的時間！因此，你會選擇一個較小的群體（樣本，sample）來代表整個群體（母體，population）。如果樣本的情況良好，你就可以合理地確信整個群體的情況也是良好的。讓我們開始吧！
1. 核心概念：母體 vs. 樣本
在學習「如何做」之前，我們必須先理解「是什麼」。
• 母體 (Population, N)： 你想要研究的全部對象或資料集合。例如：香港所有已註冊的公司。
• 樣本 (Sample, n)： 你實際進行檢查的母體中的一小部分。例如：從註冊處中隨機選取的 500 家公司。
• 普查 (Census)： 當你對母體中的每一個成員進行研究時。（這既昂貴又耗時！）
• 參數 (Parameter)： 描述母體的數值特徵（例如：所有香港公司的平均利潤）。
• 統計量 (Statistic)： 描述樣本的數值特徵（例如：你挑選出來的那 500 家公司的平均利潤）。
記憶小撇步：
Population（母體） = Parameter（參數）（兩者都以 P 開頭）
Sample（樣本） = Statistic（統計量）（兩者都以 S 開頭）
快速回顧： 我們使用樣本統計量來估算母體參數，因為這樣既省時又省錢。
2. 機率抽樣技術 (Probability Sampling Techniques)
在機率抽樣中，母體的每一位成員都有已知且非零的機會被選中。這是統計學的「黃金標準」，因為它能避免偏差 (bias)。
A. 簡單隨機抽樣 (Simple Random Sampling, SRS)
這就像抽獎一樣。每個項目被選中的機率均等。你可能會使用隨機數字產生器來選取發票號碼。
例子： 把 100 個名字放進帽子裡，然後抽出 10 個。
B. 系統抽樣 (Systematic Sampling)
你隨機選擇一個起點，然後每隔 \(k\) 個項目選取一個。
間距的計算公式為： \(k = \frac{N}{n}\)
（其中 \(N\) 是母體大小，\(n\) 是樣本大小）。
例子： 如果你有 1,000 張發票，並想要 50 個樣本，你計算 \(1,000 / 50 = 20\)。你在 1 到 20 之間隨機選一個起始點，然後每隔 20 張選取一張發票。
C. 分層隨機抽樣 (Stratified Random Sampling)
你根據某個特徵（例如公司規模：小、中、大）將母體劃分為不同的層 (strata)，然後從每一層中進行隨機抽樣。
為什麼要用它？ 這能確保重要的子群體都被納入代表性。你肯定不希望在「大型」公司佔經濟大部分比例的情況下，卻意外地只選到了「小型」公司！
D. 叢集抽樣 (Cluster Sampling)
將母體劃分為不同的叢集 (clusters)（通常基於地理位置）。你隨機選取幾個完整的叢集，然後研究該叢集內的所有人。
類比： 如果你想研究香港的學生，你隨機選取 5 所學校（叢集），然後調查這 5 所學校裡的每一位學生。
核心觀點： 機率抽樣是「公平」的，並允許我們使用數學公式來計算結果的準確性。
3. 非機率抽樣技術 (Non-Probability Sampling Techniques)
有時候，由於太困難或太昂貴，我們無法使用隨機抽樣。在非機率抽樣中，被選中的機率是未知的。請注意： 這些方法更容易產生偏差！
A. 便利抽樣 (Convenience Sampling)
選擇最容易接觸到的人或項目。
例子： 站在地鐵站出口詢問經過的人。速度很快，但你的樣本可能只代表在該特定時間、使用該特定車站的人。
B. 配額抽樣 (Quota Sampling)
類似於分層抽樣，但不是隨機的。你被要求找到特定數量的對象（配額）。一旦達到該數量，就停止抽樣。
例子： 「找到 20 位男性購物者和 20 位女性購物者。」一旦研究人員找到 20 位男性，他們就會忽略其他所有男性，即使他們可能擁有有用的數據。
C. 判斷（立意）抽樣 (Judgmental / Purposive Sampling)
研究人員運用自己的「專家判斷」來決定選擇誰。
例子： 審計師專門挑選高價值發票或「看起來可疑」的項目進行測試。這對於找出錯誤很有用，但不能代表發票的平均情況。
D. 雪球抽樣 (Snowball Sampling)
你找到一個人，然後讓他們推薦其他人。這就像滾雪球一樣「越滾越大」。
例子： 試圖採訪科技初創公司的 CEO。你找到一位，然後請他介紹三位同樣身為 CEO 的朋友給你。
快速回顧： 非機率方法對於探索性研究非常出色，但不適合用來對整個母體做出廣泛且具科學性的結論。
4. 抽樣誤差 vs. 非抽樣誤差
沒有任何樣本是完美的。樣本結果與真實母體結果之間總會存在差異，我們稱之為誤差 (Error)。
抽樣誤差 (Sampling Error)
這是樣本與母體之間天然的「落差」。因為樣本只是整體中的一部分。即使你把一切都做得完美無缺，樣本平均值很可能仍會與母體平均值略有不同。
你知道嗎？ 你可以透過增加樣本大小來減少抽樣誤差。你詢問的人越多，結果就會越準確！
非抽樣誤差 (Non-Sampling Error)
這些是「人為錯誤」或程序上的瑕疵。這些問題更危險，因為無法單靠增加樣本量來解決。
• 選擇偏差： 你的抽樣方法排除了某些人（例如：網上問卷排除了沒有網路的人）。
• 無回應偏差： 人們拒絕回答你的問卷。
• 測量誤差： 措辭不明確的問題或損壞的測量工具。
• 資料輸入誤差： 當答案是「10」時，卻輸入了「100」。
常見的誤區： 不要以為大樣本量就能解決一切。如果你的問卷題目令人困惑（非抽樣誤差），那麼詢問 1,000,000 個人只會得到 1,000,000 個困惑的答案！
總結要點：
1. 抽樣誤差是自然的且預期之內的（這是抽樣的「成本」）。
2. 非抽樣誤差是可以避免的，通常源於規劃或執行不當。
5. 最終總結核對表
在你繼續往下看之前，確保你能回答以下問題：
• 我能解釋參數 (Parameter) 與統計量 (Statistic) 之間的區別嗎？
• 我了解分層抽樣 (Stratified)（從每個組別中抽一些）與叢集抽樣 (Cluster)（從某些組別中抽全部）的區別嗎？
• 我能使用 \(k = N/n\) 計算系統抽樣 (Systematic) 的間距嗎？
• 我明白即使在普查中也可能出現非抽樣誤差嗎？
你一定沒問題的！抽樣就像當偵探一樣——選擇正確的證據來拼湊出最真實的畫面。繼續練習那些定義吧！