问卷抽样方法详解

每一份问卷都建立在一个常被忽视的单一决定之上：你问的是谁。你选择受访者的方式——即你的抽样方法——决定了你的发现是描述了你的整个总体，还是只描述了其中一个偶然的切片。选得好，几百份回答就能代表数百万人发声。选得差，即便数以万计的回答也会误导你。本指南将解释主要的问卷抽样方法、它们之间的取舍，以及如何为你的研究挑选合适的方法。

总体、样本与抽样框

三个术语支撑起每一次关于抽样的讨论。总体是你想要了解的整个群体——例如某产品的所有活跃用户，或某国家的所有成年人。样本是你实际调查的那个子集。抽样框则是你据以抽取样本的那份具体名单，例如客户数据库、电子邮件列表或选民登记册。

总体与抽样框之间的差距至关重要。如果你的总体是"所有客户"，而你的抽样框是"选择接收营销邮件的客户"，那么你的样本就永远无法完整地代表这个总体——那些拒绝接收邮件的人可能存在系统性的差异。认清这一覆盖差距，是迈向诚实研究的第一步。当你开展诸如市场调研问卷这类持续性研究时，记录下你的抽样框能让结果随时间保持可比。

概率抽样方法

在概率抽样中，总体的每一个成员都有一个已知的、非零的被选中概率。这是唯一一类能让你计算误差范围、并以统计上的置信度推广到总体的方法家族。

简单随机抽样让每个个体都有均等的被选中机会——这是统计学上的黄金标准。你给抽样框中的每个成员分配一个编号，然后随机抽取。它没有偏差，但需要一个完整的抽样框，并且对稀有子群体而言可能效率低下。

系统抽样在一个随机起点之后，每隔第 k 个成员选取一次（例如每第十位客户）。它比纯随机选取更易执行，但如果名单中隐藏着某种与你的间隔相吻合的周期性模式，就可能引入偏差。

分层抽样将总体划分为互斥的层——例如套餐档位、地区或年龄段——然后在每一层内随机抽样。这能确保重要子群体得到代表，并且在总样本量相同的情况下，通常比简单随机抽样带来更高的精度。你可以按比例抽样（与每一层在总体中所占的份额相匹配），也可以不按比例抽样（对规模小但重要的群体进行超额抽样，随后再对结果加权还原）。

整群抽样将总体划分为自然形成的群体（群），例如门店、学校或城市，随机选取整个群，并对其中所有人（或一个随机子集）进行调查。它对于地理上分散的总体而言成本效益很高，但通常比分层抽样具有更高的抽样误差，因为同一群内的成员往往彼此相似。

非概率抽样方法

在非概率抽样中，选取并非随机，被纳入的概率也是未知的。你无法计算真正的误差范围，但这些方法快速、廉价，而且往往是唯一切实可行的选择——尤其对于早期阶段的产品研究和难以触及的群体。

便利抽样招募最容易触及的人：网站上的弹窗、一条社交帖子，或恰好在场的访客。它非常适合快速的脉搏式调查和试点，但极易受到偏差的影响。

配额抽样为各子群体设定目标数量（例如 50 名男性和 50 名女性），并以非随机的方式加以填满。它在不进行随机选取的情况下模仿分层抽样的结构，仅在配额变量上提升代表性。

目的性（判断性）抽样刻意选取符合特定标准的参与者——比方说，为某项功能访谈而选取的高级用户。它非常适合追求定性的深度，而不适合推广。

滚雪球抽样请现有受访者转介他人。它对稀有或隐蔽的群体很有用，但往往会对联系紧密的网络过度抽样。研究某一细分领域的早期团队——例如针对 SaaS 初创公司的调查——常常把目的性抽样和滚雪球抽样结合起来，以便迅速触及合适的人。

如何选择一种抽样方法

让方法与你需要做出的决定相匹配。问三个问题。第一，你是否需要以量化的置信度推广到整个总体？如果是，就使用概率抽样。第二，你是否拥有一个可用的抽样框？没有名单，真正的随机方法就无从实现，你只能退而使用非概率方法。第三，你的预算和时间安排如何？整群抽样和便利抽样以精度换取成本和速度。

一种常见且站得住脚的折中做法是：当你拥有一个干净的抽样框时采用分层概率抽样，而当你没有、但仍想要均衡的子群体时采用配额抽样。对于你是在形成假设而非验证假设的探索性工作，便利抽样或目的性抽样完全适用——只需把结果标注为方向性的即可。

常见的抽样误差与偏差

有两个不同的问题会损害样本质量。抽样误差是因为你测量的是样本而非整个总体所产生的自然波动；它会随着样本量的增大而以可预测的方式缩小，并由误差范围加以刻画。抽样偏差则是谁被选中或谁作出回应中的系统性误差；它不会随样本量而缩小，且危险得多。

要提防覆盖偏差（你的抽样框漏掉了总体的某些部分）、无回应偏差（作答者与不作答者存在差异）以及自选择偏差（自愿者往往持有更强烈的观点）。可通过扩大抽样框、发送提醒以提升回复率，以及在可行时对结果加权以匹配已知的总体比例，来缓解这些问题。

一套实用的抽样工作流

把这一切整合为五个步骤。精确地定义总体。构建或获取现有的最佳抽样框，并记下它的缺口。选择一种符合你推广需求、抽样框质量和预算的方法。确定为达到你目标误差范围所需的样本量。最后，投放问卷，按子群体监测回应，并在某些细分群体代表性不足时应用权重。

为把这一点讲具体，设想一家软件公司拥有 12,000 个活跃账户，分布在三个价格档位。免费档有 9,000 个账户，专业档 2,500 个，而企业档仅有 500 个。一个简单随机样本会被免费用户所主导，留下太少的企业档回应，不足以分析。分层设计能修正这一点：从每个档位中抽取足够的样本，以便对三个档位都得出结论，然后再把合并后的结果按真实的 75/21/4 比例加权还原，使总体数字仍能代表整个客户群。这一个决定，往往决定了一份报告是你可以据以行动的，还是一份悄然忽视了你最有价值客户的报告。

SurveyMaker 让投放这一步毫不费力：构建一次，通过链接、邮件或嵌入进行分发，并实时看到分好类的回应陆续到来。实时的细分计数让你能在问卷仍在投放期间就发现某个代表性不足的层，从而在窗口关闭之前发送一份有针对性的提醒，而不是在分析阶段才发现这个缺口。如果你正在多个平台之间抉择，我们的 SurveyMaker 与 SurveyMonkey 对比并排剖析了分发与分析功能。

最后一点提醒：无论多么严谨的抽样方法，都救不了一份问题带有偏差、或抽样框排除了部分总体的问卷。抽样决定你问的是谁；问题设计决定他们诚实的回答能否原封不动地传达给你。把两者当作伙伴来对待。一个干净的随机样本若回答的是诱导性问题，仍会得出带偏差的数据；而一份完全中立的问卷若投放给不具代表性的抽样框，仍会得出不具代表性的结论。在投放之前，就要把两者都规划好。

常见问题

概率抽样和非概率抽样有什么区别？在概率抽样中，总体的每个成员都有一个已知的、非零的被选中概率，这让你能够计算误差范围并推广到总体。在非概率抽样中，选取并非随机，被纳入的概率也未知，因此结果是方向性的，而非可在统计上加以推断的。

哪种抽样方法最准确？简单随机抽样是无偏差的基准，但在相同样本量下，分层随机抽样往往能给出更精确的估计，因为它能确保关键子群体得到代表并降低方差。

我能信任便利样本的结果吗？便利样本快速，且对试点、生成假设和快速脉搏式调查很有用，但它们容易出现自选择和覆盖偏差。把它们的发现当作方向性的，并用一项基于概率的研究来确认重要决策。

什么是抽样框？抽样框是你据以抽取样本的、由人员或单位构成的实际名单——例如客户数据库或电子邮件列表。抽样框越接近完整的总体，你出现覆盖偏差的风险就越低。