问卷调查的抽样方案，最好在发放问卷之前就确定下来。样本能否代表目标总体，直接决定后续数据能不能用来回答研究问题。对市场研究员、社会科学研究者和学生而言，抽样不是方法部分里事后补写的一段说明，而是研究设计阶段就需要明确的决策。下面只聚焦抽样层面，讨论如何从研究目标出发确定样本量、构建抽样框、比较常用抽样方法，并在成本与时间约束下做出可解释的选择。
从研究目标反推抽样需求
抽样方案不能独立于研究目标设定。首先要明确两件事：你想估计什么，以及结论要推广到哪个人群。估计指标不同，样本量计算思路也不同。问卷调查中常见的是估计总体比例，例如某类消费者的占比、某种态度的比例、某项行为的发生率；如果核心指标是连续变量，则需要依据均值、方差和允许误差另行计算。
在估计总体比例时，常用公式先计算不考虑总体规模的初始样本量：
n₀ = (Z² × p × (1 − p)) ÷ e²
其中，Z 是所选置信水平对应的标准正态分布临界值，p 是预期比例或总体比例的保守估计，e 是允许误差。置信水平越高，Z 越大；允许误差越小，e 越小，两者都会使所需样本量上升。
如果目标总体规模 N 较小，可以进行有限总体修正：
n = n₀ ÷ [1 + (n₀ − 1) ÷ N]
修正的核心逻辑是：当总体本身不大时，不需要抽取公式给出的那么多样本；当总体规模很大时，修正作用会明显减弱。
置信水平并不是越高越好。实践中 95% 是最常见的选择，因为它在推断可靠性和调查成本之间较为平衡。如果研究结论用于高风险决策，可以考虑 99%；如果是探索性研究或预算非常紧张，90% 也可以接受，但必须在报告中说明推断精度有所下降。允许误差同样需要根据研究用途设定。用于估计市场份额、政策态度或行为比例时，较大的误差通常可以接受；如果研究要区分较小差异或辅助重要决策，允许误差就应明显收紧。需要注意的是，允许误差与样本量不是线性关系，把误差从较宽松的水平收紧到较严格水平，样本量可能会成倍增加。
当 p 没有可靠先验信息时，通常取 0.5 进行计算，因为此时 p(1 − p) 最大，可以得到最保守的样本量。如果既往研究、预调查或已有公开数据能够提供更接近真实的比例，可以据此降低样本量，但应有明确依据。
样本量估算的四个步骤
第一步是界定目标总体。要明确谁应被纳入、谁被排除，例如年龄、地区、身份或特定经历条件。总体界定越模糊，后续样本量和抽样框就越难匹配。
第二步是设定精度参数。也就是确定置信水平和允许误差。这两个参数不来自统计公式，而来自研究用途和可接受的推断风险。
第三步是估计变异程度。比例估计中需要 p 值，连续变量估计中则需要均值和标准差的先验信息。没有先验数据时，可用保守估计或通过小范围预调查获得。
第四步是计算并调整。先计算初始样本量，再根据总体规模进行修正，并考虑无应答、无效问卷和后续剔除。预测回收率较低时，需要按预期有效比例适当扩大发放量，但必须记录这一调整依据。
抽样框：样本类型的真实边界
抽样框是实际用于抽取样本的单元清单或集合。它可能是人员名单、机构名录、地址列表，也可能是某类平台用户、某些院系的学生名单。抽样框与目标总体之间的差距，往往比样本量更值得关注。
构建抽样框时，要重点检查三方面：覆盖是否完整、是否存在重复、信息是否过时。覆盖不足会把一部分目标人群排除在抽样之外，造成系统性偏差；重复会使某些单元被抽中的概率高于设计值；过时名单则会导致大量无效接触。不要只根据成员数量和获取难度做判断，还要追问：这份名单能不能对应到研究最初界定的总体？
如果无法获得理想抽样框，常见做法是退回到可获得的抽样框，并把推断范围相应缩小。例如只能通过某个线上渠道触达对象时，样本代表的其实是该渠道的活跃使用者，而不是所有目标消费者。这时必须在方案中写清限制，避免把结论扩大到没有证据支持的人群。
三种常用抽样方法如何选
简单随机抽样是最基础的形式。其优点是理论清晰、每个单元被抽中的概率相同，后续推断也相对直接。但它要求有接近完整的抽样框，且当样本较为分散时，调查成本和执行难度会上升。
分层抽样先把总体按照与研究变量相关的特征划分为若干层，再在各层内独立抽取样本。它能够保证某些重要子群体有足够数量，也可能提高估计精度。适用场景包括总体内部差异明显、需要比较不同组别，或者小群体在简单随机抽样中容易被淹没时。分层变量的选择必须与研究目标相关，并且需要掌握分层信息。
整群抽样则按自然群体或地理单元抽取样本，再对群内单元进行调查或再抽样。它的主要价值是降低名单获取成本、交通成本和执行难度，适合区域分散或难以获得个体名单的情况。但同一群内的个体往往相似，会减少有效信息。与简单随机抽样相比，整群抽样通常需要更大的总样本量，并要在分析时考虑群集结构。
| 抽样方法 | 适合场景 | 主要优势 | 需要警惕 |
|---|---|---|---|
| 简单随机抽样 | 有完整、可操作的抽样框 | 推断清晰，误差计算直接 | 分散样本可能带来高成本 |
| 分层抽样 | 子群体比较重要或总体差异大 | 提高精度，保证层内代表性 | 依赖分层变量和层规模信息 |
| 整群抽样 | 个体名单难获取、区域分散 | 省名单、省差旅，执行方便 | 群内相似降低有效信息量 |
成本、时间与精度的实际平衡
实际操作中，样本量公式只能提供起点。预算、时间、人员和接触难度都会反向调整设计。关键在于优先保护抽样框质量和抽样逻辑，而不是单纯追求更大样本量。
当预算有限时，与其勉强扩大样本量，不如先提高抽样框的覆盖程度和回收质量。样本量增大只能减少随机误差，无法弥补抽样框偏差、无应答偏误或低质量填答带来的非抽样误差。如果回收率很低，即使发放量很大，最终能用于分析的有效样本仍然不足，还可能引入额外的选择性偏差。
时间约束也会影响抽样方法。若必须在短时间内完成调查，整群抽样或多阶段抽样通常比简单随机抽样更可行。此时应提前制定替换样本和提醒规则，并记录替换是否改变了样本结构。任何因为执行困难而做出的调整，都不能只描述为“便于操作”，而要说明它会不会影响结论的外部效度。
形成可解释的抽样方案
一份可用的抽样方案，最终要能回答几个问题：总体是谁，抽样框从哪里来，使用什么抽样方法，样本量按什么参数计算，实际执行中可能存在哪些偏差。撰写或答辩时，可以把这些要素压缩成一段清晰说明，避免只报样本量数字而缺少依据。
抽样方案最有说服力的部分，不是样本量看起来足够大，而是每一项选择都能与研究目标一致。能够解释为什么选择分层而不是简单随机、为什么采用整群抽样、为什么允许一定误差，才说明抽样决策经过了完整考虑。即使预算有限，只要把推断边界写清楚，也能让研究在可证明范围内成立。
