Statistical sampling

歡迎來到統計抽樣的世界！

你有沒有想過，為什麼新聞台在選票還沒開完之前，就能預測選舉結果？或者科學家如何在不對地球上每個人進行測試的情況下，判斷一種新藥是否有效？答案就是：統計抽樣 (Statistical Sampling)！

在這一個章節中，我們將學習如何挑選一小群人（或事物）來代表一個更龐大的群體。統計學就像偵探工作一樣——我們利用小小的線索來解開巨大的謎團。如果一開始覺得內容有點「文字化」，別擔心；一旦你看懂了其中的邏輯，學起來就會輕鬆得多！

1. 母體 (Population) 與樣本 (Sample)

在我們開始「偵探工作」之前，必須先釐清我們調查的對象。我們主要使用這兩個術語：

母體 (Population)：這是我們感興趣的「整個」群體或事物。例如，如果你想知道學校裡學生最喜歡的食物，母體就是該校的每一位學生。

樣本 (Sample)：這是從母體中挑選出來的一小群人。我們研究樣本，是為了試圖了解整個母體。例如，詢問你所屬年級的 30 位學生他們最喜歡的食物。

濃湯的比喻

想像你在煮一大鍋蔬菜湯，想知道需不需要加鹽。你不會把整鍋湯喝完（那是母體），你只會舀一勺來嚐（那是樣本）。如果那一勺味道剛好，你就可以推論 (infer) 整鍋湯的味道都不錯！

重點總結

母體是全部；樣本只是其中的一部分，用來作出經過深思熟慮的猜測（推論）。

快速複習：
• 母體 (Population)：整個群體。
• 樣本 (Sample)：我們實際調查的那部分群體。
• 推論 (Inference)：根據樣本對母體作出結論。

2. 我們如何選擇樣本？

挑選樣本的方法有很多種。對於 OCR 考試，你需要能夠運用其中兩種特定的方法，並評析（討論優缺點）另外四種方法。

A. 簡單隨機抽樣 (Simple Random Sampling)

在簡單隨機抽樣中，母體的每一位成員都有均等的機會被選中。就像把每個人的名字寫在紙條上放入一個巨大的帽子裡，然後盲目地抽出來一樣。

步驟說明：
1. 列出母體中每一位成員的名單（這份名單稱為抽樣框, sampling frame）。
2. 為每位成員編上唯一的號碼。
3. 使用隨機數字產生器（計算機或電腦）選出你需要的號碼。

優點：絕對公平，通常沒有偏差 (bias)（偏見）。
缺點：如果母體非常大，操作起來會很困難且耗時。

B. 機會抽樣 (Opportunity Sampling)

這通常被稱為「便利抽樣」。你只需挑選當時在場且符合你標準的人。例如，站在商店門口詢問前 10 位路過的人。

優點：非常快速、簡單且省錢。
缺點：非常容易產生偏差。如果你站在健身房外，你的樣本只會代表那些喜歡健身的人，而不代表整個城鎮！

你知道嗎？
如果你只訪問你的朋友來完成學校作業，你就是在做機會抽樣！這雖然容易，但可能無法公平地代表整個學校。

3. 其他需要評析的方法

你不需在數學上進行這些運算，但必須能夠描述它們，並指出它們的優劣之處。

系統抽樣 (Systematic Sampling)

以固定的間隔挑選對象。例如，從名單中每隔 10 個人選出一位。
「我會選第 5 個人，然後是第 15 位，接著是 25 位……」

分層抽樣 (Stratified Sampling)

將母體根據特性（如年齡或性別）分成不同組別（稱為層, strata）。然後根據每層的大小比例，從中進行隨機抽樣。
「如果學校有 60% 的女生和 40% 的男生，我抽取的 10 個人的樣本中，應該要有 6 位女生和 4 位男生。」

配額抽樣 (Quota Sampling)

類似分層抽樣，但不是隨機的。你為每一組設定了「目標」或「配額」。一旦某個類別的配額滿了，你就停止詢問該類別的人。
「我需要 10 個青少年。我會一直問人，直到找到 10 個自稱是青少年的人為止。」

叢集抽樣 (Cluster Sampling)

將母體分為現有的群組（如「導師班」或「街道」）。隨機挑選幾個群組（叢集），並研究這些群組內的所有人。
「我會隨機挑選學校裡的 3 間教室，並訪問這些教室裡的所有學生。」

重點總結

不同的方法有不同的公平性。隨機抽樣通常最公平，但機會抽樣或配額抽樣通常較快速。

4. 評析與偏差 (Critique and Bias)

統計學很重要的一環就是保持批判性！當你看到一個樣本時，問問自己：這組樣本能代表母體嗎？

如果一個樣本有偏差，代表它不能正確地反映母體。這會導致錯誤的推論。例如，如果你想知道英國人的平均身高，但你的樣本只包含職業籃球選手，那麼你的結論肯定是錯的！

避免常見的錯誤：

1. 樣本過小 (Small Sample Size)：如果樣本太小（例如只問 2 個人），就無法很好地代表母體。
2. 無回應 (Non-Response)：有些人可能拒絕回答你的調查。如果這些人具備某種共同特質，你的數據就會產生偏差！
3. 抽樣框錯誤 (Sampling Frame errors)：如果你所使用的母體名單過期或遺漏了某些人，樣本就不會是真正的隨機。

記憶法：評析時參考 "RSVP"
評估抽樣方法時，檢查以下幾點：
• Random? (隨機嗎？公平嗎？)
• Size? (樣本足夠大嗎？)
• Varied? (樣本是否包含各種類型的人？)
• Practical? (執行起來是否太困難？)

5. 最終總結

• 母體是整個群體；樣本是其中的一部分。
• 簡單隨機抽樣讓每個人有均等機會（公平但緩慢）。
• 機會抽樣使用當下在場的人（快速但有偏差）。
• 同一個母體的不同樣本可能會導致不同的結論。
• 時刻關注偏差——任何讓樣本不具代表性的因素都會導致數據的可信度下降。

如果覺得定義太多，別擔心！只要回想「濃湯的比喻」即可。如果那一勺（樣本）能很好地代表那一鍋（母體），你的統計結果就會很美味！