1.核心定义（它是什么？

星博讯 AI基础认知 2026-04-09 1

分层抽样 是一种概率抽样方法，其核心思想是：

1.核心定义（它是什么？-第1张图片-星博讯网络科技知识-SEO优化技巧|AI知识科普|互联网行业干货大全

先将调查的总体按照某种特征或标准（称为“分层变量”）划分为若干个互不重叠、内部性质相似的子总体，这些子总体称为 “层” ，从每一层内独立地随机抽取一定数量的个体，共同组成样本。

关键比喻：想象一个大蛋糕（总体），由巧克力层、草莓层和奶油层组成，分层抽样就是先按口味把蛋糕切成明显的三层（分层），然后从每一层中分别切下一小块（抽样），最后把这些小块拼成一个有代表性的小蛋糕（样本）。

核心目的（为什么要用它？）

分层抽样的主要目的不是简单操作,而是为了实现以下统计优势：

提高估计精度（降低抽样误差）：这是最主要的目的，如果层内个体之间差异小（同质性强），而层与层之间差异大（异质性强），那么分层后，样本的分布就能更准确地反映总体的结构，对总体均值或总量的估计会比简单随机抽样更精确、误差更小。
保证子总体的代表性：当我们需要对总体内的某些重要子群体（如不同地区、年龄组、收入阶层）分别进行统计分析时，分层抽样可以确保每个子群体（层）在样本中都有足够数量的代表，避免简单随机抽样可能导致的某个小群体“被遗漏”或代表不足的问题。
实施灵活，便于管理：不同层可以采用不同的抽样方法或调查方式，在城市层可以采用电话访问，在农村层可以采用面访，管理上更清晰，组织更方便。
参数估计方便：可以轻松地分别估计各层的参数，然后汇总得到总体参数。

确定分层变量与分层标准：
- 选择与调查目标高度相关的变量,常见的有：人口学特征（性别、年龄、收入）、地理区域（省、市、城乡）、行业类型、规模（企业大小）等。
- 确定如何划分层,年龄可以划分为“18-30岁”、“31-50岁”、“51岁以上”。
将总体划分为互斥的层：
- 确保每个总体单位都必须属于且仅属于一个层。
确定各层的样本量：
- 这是关键决策点,主要有两种分配方式：
  - 比例分配：样本量按各层在总体中的大小比例分配，这是最常用、最直观的方法，某层占总体30%，则样本量也占总样本量的30%，操作简单，能保证样本结构与总体结构一致。
  - 最优分配（内曼分配）：不仅考虑层的大小，还考虑层内变异程度（标准差），在变异大的层分配更多样本，在变异小且成本高的层分配较少样本，这种方法能在固定费用下使估计误差最小，或在固定精度下使费用最低。
在各层内独立抽样：

在每一层内,采用简单随机抽样或系统抽样等方法，独立抽取指定数量的样本单位。
汇总与推断：
- 将各层抽取的样本合并,形成总样本。
- 进行数据分析时,通常需要根据各层在总体中的权重进行加权计算，以得到对总体参数的无偏估计。

优点：
- 精度高：在层间差异大、层内差异小时，显著优于简单随机抽样。
- 代表性好：确保重要子群体被充分代表。
- 灵活性高：不同层可采用不同方法。
- 便于比较：自然支持层与层之间的比较分析。
缺点与注意事项：
- 需要先验信息：必须事先掌握总体的分层信息和各层规模，否则无法分层。
- 分层变量选择关键：如果分层变量与研究对象不相关，则分层可能无法提高精度，甚至可能增加复杂性。
- 操作稍复杂：比简单随机抽样多出了分层和分配样本的步骤。
- 可能出现误分层：如果分层信息不准确或单位归类错误，会影响效果。

与整群抽样的区别：这是最容易混淆的一对概念。
- 分层抽样：追求“层内同质，层间异质”，样本单位来自所有层，目的是代表所有类型。
- 整群抽样：追求“群内异质，群间同质”，只抽取部分“群”，并对选中群内的所有单位进行调查，目的是提高实地调查的效率（如集中在几个街道调查，而不是分散在全市）。
- 简单比喻：调查全国学生。
  - 分层抽样：先按省分层，然后在每个省都随机抽一些学生。
  - 整群抽样：先按学校分群，然后随机抽几个学校，对这些被抽中学校的全体学生进行调查。
与配额抽样的区别：
- 分层抽样是概率抽样，在层内是随机抽取。
- 配额抽样是非概率抽样，只规定各层的样本配额（如男女各50人），但具体找谁访问由调查员主观决定，无法计算抽样误差。