调查误差的总框架

总调查误差=代表性误差+测量误差

利用抽样调查得出的评估，结论往往不是完全正确的。也就是说，通过一项抽样调查得到的估计值（例如对一所学校学生平均身高的估计值）与目标总体的实际值（例如该学校学生平均身高的实际值）之间往往存在差异。有时这个差异很小，所以也就不重要了，但遗憾的是，有时这个差异很大且很重要。为了理解、测量和减少这类误差，研究人员对抽样调查中出现的误差进行了汇总，逐渐创建了一个全面的概念框架：调查误差总框架（Groves and Lyberg 2010）。虽然这个框架的创建工作始于20世纪40年代，但我认为它为我们提供了两个关于数字时代调查研究的有用的想法。

首先，调查误差总框架表明存在两种类型的误差：偏差和方差。粗略地说，偏差是系统误差，方差是随机误差。换句话说，假设我们将同一个抽样调查重复做了1000遍，然后共得出了1000个估计值，那么偏差就是这1000个估计值的平均值与真实值之间的差异，而方差就是这1000个估计值相互之间的差异。在其他条件都一样的情况下，我们想要的是一个无偏差、低方差的过程。遗憾的是，对许多实际问题来说，无偏差、低方差的过程是不存在的，这使研究人员陷入了一个困境，他们需要决定该如何平衡偏差和方差所带来的问题。一些研究人员本能地偏好无偏差的过程，但只关注偏差可能也是一个错误的决定。如果目标是得出尽可能接近真实的评估（即误差尽可能小），那么偏差和方差均低的过程可能要比无偏差但方差很高的过程更好（图3.1）。换句话说，调查误差总框架表明，在评估调查研究过程时，偏差和方差两者都要考虑。(www.xing528.com)

其次，调查误差总框架表明误差有两个来源，本章大部分内容也是围绕这一点来组织的。这两个来源分别是：与谈话对象是谁相关的问题（代表性）、与你从这些对话中了解到什么相关的问题（测量）。例如，你可能想了解在法国生活的成年人对网络隐私的态度，这就需要你进行两种不同的推断。第一，你必须根据受访者的答案推断出他们对网络隐私的态度（这是一个测量的问题）。第二，你必须根据推断出的受访者的态度来推断目标总体的态度（这是一个代表性的问题）。如果调查问题没设计好，那么即便抽样过程无可挑剔，你也无法得出好的评估，反之亦然。换句话说，好的评估需要好的测量和抽样。鉴于这一点，我将回顾过去的调查研究人员对测量和代表性的相关想法。然后说明这些想法对数字时代的调查研究有何指导意义。

图3.1　偏差和方差。理想情况下，研究人员的评估过程应该是无偏差、低方差的。但在现实中，他们经常需要在偏差和方差之间进行权衡。尽管一些研究人员本能地偏好无偏差的过程，但有时相比于无偏差但方差很高的过程，偏差和方差均低的过程会得出更准确的评估。