终于有人把幸存者偏差讲明白了( 二 ) 导读：本文带你了解数据收集

19世纪初期，人们认为统计就是要追求考察对象的大而全，数据越多，结果就越准。不过，想要考察大而全的总体，有时不具备操作性。于是一些统计学家提出了抽样的想法，认为只要方法得当，就算不考察总体，也能通过研究一部分有代表性的随机个体来推断出总体的特征。
这些从总体中选出来的个体的集合，叫作样本，随机选择的动作叫作抽样。统计学界围绕“抽样”这件事争论了好几十年。直到20世纪30年代，抽样的科学性才被学术界逐渐认可。
抽样是一种非常好的了解大量样本空间分布情况的方法，适用于大样本。抽样的对象要尽可能分散和有代表性，这样才能体现出整个样本的分布特点。
不过，抽样毕竟对研究对象做了精简，因此它很可能存在样本选择上的偏差，即选择性偏差。比如想要调研中年男性的健康程度，抽样时只选了亚洲人，这个抽样对象显然不够全面。又或者，调研时只收集了若干人的数据，研究样本过少，因此得到的结论也不具备普适性。
选择性偏差是在抽样时出现的一大问题。有时，人们为了证明自己的观点，倾向于选择特定的数据来支撑结论，从而忽略了其他证据。采用有偏差的抽样数据，几乎可以得到人们想要的任何结论。
假如在调研问卷中问这样一个情感问题：“假如爱情可以重来，你是否还会选择和他/她在一起？”结果会如何呢？我想多数会收到“不会”的答案。这并不是真相，只是那些回复的人群可能是“有偏的” 。
因为调查问卷是自愿回复，所以对这个话题抱有强烈负面感受的人，更有可能不厌其烦地做出回应，那些生活幸福的人也许随手就将问卷丢进了垃圾桶。
又比如，去高档的购物场所进行调研，会出现选择性偏差，因为去那里消费的人相对富有；而如果去山村调研，则很可能得出完全相反的结论。
在以上的例子中，前者由被调查的人自行决定要不要回应，后者则由调查人员决定如何选取样本，这两种调查方法都会人为地影响统计结果。
抽样的结论若要很好地代表整体，需要具备两个条件：
一是样本足够大，根据大数定律，这样的样本分布更接近总体；二是抽样方法要正确，确保抽样是完全随机的，它既不受调查者的选择影响，也不受被调查者的偏好影响。采用随机抽样的方法，可以一定程度上消除对样本选择的偏差。
以民意调查为例，我们知道，美国的总统选举永远是个热门话题，网络和媒体会密切关注，并跟踪报道一手资料。其中一个热门话题就是关于选举结果的预测。由于选票会涉及不同阶级、不同种族、不同利益的人和团体，所以要调研民众意向，抽样时就应该考虑兼顾各种利益团体的样本，否则很有可能出现带有偏差或者歧视的结论。
为了调查民众的看法、意见和心态，乔治·盖洛普设计了一种盖洛普民意测验。他根据年龄、性别、教育程度、职业、经济收入、宗教信仰这6个标准，在美国各州进行抽样问卷调查或电话访谈，然后对统计结果做出分析。此方法产生于20世纪30年代，今天仍会被使用，并且有着相当高的权威性。
总之，抽样要针对大样本，保证样本的随机性。如果抽样的样本很少，或由于其他原因导致了统计不充分，那么结论很可能是错误的。

文章图片
小结
数据样本偏差带来了“以偏概全”的风险，它会得出“差之毫厘，谬以千里”的错误结论。过去，人们担心小样本导致统计误差；而在大数据时代，这个问题并不会消失，反而变得更加复杂，也更难察觉。