样本与总体：从抽样误差说起

做数据观察时，常会遇到一个尴尬：手里的样本明明有几千条，结论却和实际情况对不上。问题往往不出在计算，而出在样本和总体之间的关系上。总体是研究对象的全部个体，样本是从中抽出的一部分。抽样调查的本质，是用部分推断整体，而推断的可靠性，取决于样本怎么抽、抽多少、覆盖了谁。

先看一个经典案例。1936年美国大选，《文学文摘》杂志寄出1000万份问卷，收回约240万份，预测兰登会击败罗斯福。结果罗斯福赢了。同期盖洛普只用了约5万份样本，却预测正确。差别不在数量，而在抽样方式。《文学文摘》的样本来自电话簿和汽车登记册，大萧条时期能装电话、买汽车的人偏富裕，与全体选民的结构差异明显。样本再大，偏离了总体，数据走势就会指向错误方向。

这引出一个核心概念：抽样误差。它衡量的是样本统计量与总体真实值之间的随机偏差。在概率抽样下，样本量越大，误差越小。常见公式里，比例估计的标准误约为根号下p(1-p)/n。假设总体支持率是50%，样本量1000时标准误约1.6%，95%置信区间大约正负3个百分点；样本量降到100，标准误约5%，区间扩大到正负10个百分点。这就是为什么多数民意调查把样本量定在1000上下——再往上加，精度提升的边际效益递减，成本却线性上升。

但抽样误差只描述随机性，不描述系统性偏差。后者更麻烦。2020年前后一些网络投票显示某话题支持率高达九成，参与人数几十万。仔细看，投票入口挂在特定社区，活跃用户本就对该话题有偏好，这叫自选择偏差。样本不是随机抽的，而是自己走进来的，覆盖的只是总体中某个子集。此时样本量再大，抽的也是偏的那部分人，预测自然失真。所以看一个调查，先问样本从哪里来，比问样本有多大更重要。

样本量小也不一定没价值。质量研究中，十几个深度访谈常能覆盖大多数新出现的观点。有经验的访谈者发现，访谈到第12到15人时，新信息基本不再增加，这叫信息饱和。此时继续加人，边际信息接近零。这和量化调查的逻辑相反：量化追求样本对总体的代表性，质性研究追求样本对现象的解释力。两种路径对应不同目标，混用标准就会得出“样本太小不能信”或“样本太大没必要”这类片面判断。

落到日常的数据观察，有几条简单原则。第一，明确总体是谁。想了解全市通勤时间，样本只覆盖地铁乘客，就漏掉了开车和骑车的人。第二，检查抽样框。电话调查在年轻人中覆盖率下降，因为很多人不接陌生来电，这会带来非覆盖误差。第三，区分随机误差和系统偏差。前者可以通过扩大样本缩小，后者只能靠改进抽样设计解决。第四，看趋势而非单点。一次调查的3个百分点波动可能在误差范围内，连续多次同向变化才更值得注意。

预测之所以难，很大程度上是因为总体本身在变。人口结构、消费习惯、平台算法都会让总体边界移动。三年前抽取的样本，放到今天可能已不代表同一个总体。做趋势分析时，除了看样本内部的走势，还要留意抽样方法和总体定义的变更。方法口径不一致的两组数据直接对比，得出的结论往往不可靠。

说到底，样本与总体的关系不是统计课本里的抽象概念，而是每次读数据、做判断时都要过的第一道关。样本够不够、偏不偏、覆盖了谁、总体有没有变，这几个问题问清楚了，后面的分析和预测才站得住。数据观察的价值，不在于数字多漂亮，而在于它离真实世界有多近。