3. 概率抽样与非概率抽样的适用边界

抽样方法的选择从来不是“哪个更科学”的简单判断，而是“研究目标、推断需求、资源约束与误差容忍度”四者之间的匹配问题。概率抽样与非概率抽样的根本差异，在于是否给每个总体单元一个已知的、非零的入样概率。这个差异决定了二者能承担的任务完全不同：前者支撑统计推断，后者支撑探索与快速洞察。

概率抽样的推断逻辑：从样本到总体的“可计算桥梁”

概率抽样的核心价值不在于样本“更随机”，而在于它使抽样误差可以被量化。当采用简单随机抽样时，样本均值 ȳ 对总体均值 Ȳ 的估计标准误为 SE = s/√n · √(1−n/N)，其中 s 为样本标准差，n 为样本量，N 为总体规模，末项为有限总体校正因子。有了这个标准误，才能构造置信区间、做假设检验、比较组间差异是否显著。

更关键的是，概率抽样允许“设计加权”。在分层抽样中，若某层抽样比为 fh = nh/Nh，则该层每个单元的权重为 wh = 1/fh，总体均值估计为各层加权均值之和。这意味着抽样设计本身参与了估计过程——设计越精细，推断越有效。例如某市有 40 万户居民，按城区/郊区分为两层，城区 15 万户抽 1500 户（f=1%，权重 100），郊区 25 万户抽 1000 户（f=0.4%，权重 250），则郊区样本虽少，但每个样本代表更多总体单元，估计时按权重还原，才能得到无偏的全市估计。这是非概率抽样无法复制的逻辑。

但概率抽样的代价同样明确：需要完整的抽样框（总体单元清单），需要执行随机化机制，需要处理无应答带来的偏差，且高成本往往限制样本量。当抽样框缺失、总体边界模糊或研究对象难以接触时，概率抽样的前提就不成立。

非概率抽样的探索性价值：在“不完美”中获取方向

非概率抽样不追求对总体的无偏估计，它的价值在于快速、低成本地获取结构性信息。便利抽样适合问卷预测试，用 30～50 份样本检验题项是否歧义、选项是否完备；判断抽样适合专家访谈、典型案例深描；配额抽样在无法随机化时，通过控制性别、年龄、地区等配额比例，使样本在关键维度上“看起来像总体”，虽不能计算标准误，但能显著降低结构性偏差；滚雪球抽样则是隐藏总体（如特定职业群体、罕见病患者）研究中的现实选择。

需要强调的是，非概率抽样的结论应被限定在“样本层面”或“方向性判断”上。例如用便利抽样发现某产品新功能的用户接受度约为 60%，这个数字不能直接外推为总体接受度，但可以作为是否值得投入正式概率调查的决策依据。它的角色是“侦察兵”，不是“裁判员”。

选择依据与风险权衡

实际选择时，可按四个问题依次判断：第一，是否需要向总体做统计推断？若需要置信区间或显著性检验，必须概率抽样。第二，是否具备可操作的抽样框？若总体清单不存在或严重过时，概率抽样的随机化无从谈起。第三，误差容忍度如何？政策评估、药品疗效、市场占有率等高风险决策应优先概率抽样；概念验证、内部诊断可接受非概率抽样。第四，资源与时间约束是否允许？概率抽样通常需要更高的访问成本和更长的执行周期。

另一类误用是“配额抽样冒充分层随机抽样”。配额抽样只控制配额维度上的分布，样本单元仍由访问员主观选择，未控制维度上的偏差无法评估；分层随机抽样则在每层内独立随机抽取，二者不能混为一谈。还有一种隐蔽误用：概率抽样执行中出现大量无应答，却仍按原设计计算标准误，忽视无应答偏差，导致推断过于乐观。

回到实践，一个稳妥的做法是“先探索、后推断”：用非概率抽样做预调查，识别关键分层变量和主要偏差来源，再据此设计概率抽样方案。若最终只能采用非概率抽样，应在报告中明确说明抽样方式、样本来源与可及性限制，把结论表述为“在本样本中观察到……”，而非“总体中……”。方法没有绝对优劣，边界清晰、表述诚实，才是抽样设计真正的专业底线。