样本与总体：从抽样误差看数据推断的边界

做数据的人迟早会撞上同一堵墙：手里只有一小撮样本，却要对一个庞大总体下判断。前几天翻一份消费调研，问卷发出12000份，回收3487份，回收率29%。报告里直接拿这3487人的均值去推全国城镇消费者，误差条都没画。这不是个例，是行业里反复出现的动作。

样本能不能代表总体，第一步看抽样框。想了解一座城市200万常住人口的收入分布，却只在写字楼和商场门口截访，样本框天然排除了居家老人、夜班工人和大量灵活就业者。2016年美国大选民调在几个关键州失准，事后复盘发现，电话抽样框里没有大学学历的白人男性应答率明显偏低，而这部分人恰好倾向某一边。偏差不是计算错误，是抽样那一刻就埋下的。

概率抽样里，误差是可算的。简单随机抽样下，样本量1000、置信水平95%，最大抽样误差约±3.1个百分点。样本量降到100，误差扩大到±9.8个百分点。换句话说，用100人的样本去判断一个接近50%对50%的走势，结论几乎等于抛硬币。很多所谓趋势解读，问题不在模型，在样本量根本撑不起那个精度。

还有一种偏差更隐蔽：幸存者偏差。分析电商平台用户复购率，只统计还在活跃的账号，那些已经流失的账号早就不在数据集里。算出来复购率40%，如果补上过去一年注销的账号，可能掉到26%。预测下一个季度的走势时，这个差距足以让备货决策翻车。观察一份数据前，先问一句：谁不在样本里。

非概率抽样不是不能用，但得知道边界。便利抽样、配额抽样、滚雪球抽样，成本低、速度快，适合探索性研究。某连锁餐饮想了解新品的口味反馈，在3家门店找200位到店顾客试吃，这200人的意见能说明到店顾客的偏好，不能推到外卖用户和路过没进店的人。把适用范围写清楚，比硬套统计推断更诚实。

校准样本有几个实用动作。一是加权，按总体的人口结构给样本分层赋权，比如样本里25至34岁占比42%，而总体该年龄段只占28%，就调低这部分的权重。二是交叉验证，用另一来源的数据对同一指标做比对，两边差距超过5个百分点就该回头查原因。三是报告里附上样本构成表，让读者自己判断代表性。这比只给一个点估计有用得多。

对做行业观察的人来说，样本与总体的关系决定了结论能走多远。看到一份数据，先定位它的样本来自哪里、多大、怎么抽的，再决定要不要拿它做预测。样本是总体的一个切片，切片的角度、厚度和位置，都会改变你看到的东西。把边界说清楚，数据才有被信任的资格。