只要有調研，就會有誤差。偶然的、不可控的誤差是隨機誤差，比它更具威脅性的則是人為導致的系統誤差，可能是樣本設計誤差、測量誤差等，因為百密必有一疏。本文就系統誤差中的樣本設計誤差展開說明，並給出具體措施。

樣本設計誤差有哪些？

調研對象範圍誤差

這種誤差是當調研對象總體或者樣本選擇範圍不正確界定時產生的誤差。當調查者不知道他們應該調查誰時，這種誤差就很容易出現。比如很多類人會購買某種產品，但只有少數幾類人群會成為忠實顧客，如果沒有調查對象中沒有包含這些少數人，就很容易失去某些細分市場。

例如，很多缺少經驗的家庭用品廠商只會對家庭主婦進行市場調研。因為她們更好接觸、更願配合，而且廠商們總是假定：家庭主婦就是家庭採購中唯一的決策者和執行者。但往往並非如此，其他家庭成員必然也會直接或間接產生影響。

抽樣框誤差

抽樣框是你可以從中抽取樣本的名單。比如，某高校校園調查中，全體學生是總體，可以參與問卷調查的1000名學生則是抽樣框，最後從中隨機抽取的200名則是樣本。但如果這1000名可調研的學生，和其餘無法被調研的學生間在某些方面存在系統化差異，則會出現抽樣框誤差。

一個最經典的例子是多次成功預測美國總統大選的《文學文摘》預測1936年大選慘遭翻車，羅斯福以史上最大優勢擊敗蘭頓成為總統。最主要原因就是抽樣框選擇不當，《文學文摘》從電話簿和車牌登記名單中選取樣本。而當時在處於大蕭條的美國，能用得起電話和汽車的人，可想而知都是高收入群體，而其政見也更保守。因此支持羅斯福新政的主力軍——占據美國人口多數的低收入者沒有被抽樣。

抽選誤差

即使選擇了適當的抽樣框，正確地界定了總體，抽選誤差也可能出現。它指的是因抽樣程序選擇或執行不當產生的誤差。

最常見的情況是為了降低問卷收集難度，選擇了最簡單而不是最合適的方式。比如滾雪球抽樣，後續的受訪者都是從前一批聯繫來的，就很容易使樣本特徵高度相似，不能很好地代表總體。同理，發動周圍親朋好友轉發調查問卷，也可能會出現抽選誤差！

如何減小樣本設計誤差？

作為專業調研平台，風鈴系統給你以下建議來避免樣本導致的誤差：

增加樣本容量

The bigger the better。樣本容量越大，越接近總體容量，調研結果會越準確。

擴大樣本容量的難度往往在於沒有便捷高效的調研方式，短時間內要精準回收大量問卷太難了。但風鈴系統有強大樣本庫，囊括400萬+自有樣本、國內頭部電商4億+消費者，以及招聘網站中的2.5億+用戶，加上我們極具競爭力的高響應率優勢，雙管齊下，從而大幅提升在線調查的問卷收集效率。

足夠了解自己調研的對象和目標

如果無法擴大樣本容量，那麼摸透你的調研對象、找准樣本就更為重要，可能會起到事半功倍的效果。

如何做到抽樣又全面又準確？風鈴系統自有的受訪者給予許可的資料庫，可以根據人口屬性、用戶畫像、購物行為等標籤，精準觸達各類人群，甚至可以精準定位到三四線城市、農村，以及寶媽、遊戲迷、美妝達人、忠實數碼用戶等各類社群。

如果你還拿不準自己的抽樣範圍，風鈴系統提供問卷設計及優化、數據分析等一站式服務，為你的調研出謀劃策、保駕護航。我們的專業調研團隊都有資深調研行業經驗，曾供職於頭部諮詢公司並服務過眾多國內外500強企業客戶。

如果問卷已經回收，還有挽回的餘地。風鈴系統還提供免費的數據加權功能，內置最新的國家統計年鑑數據。可以依據真實的人口分布調整年齡、地域等屬性，進行單個維度或者二維交叉加權，使調查結果符合實際。