本文回答一个问题：收到 1000 份答卷，发现一线城市占比 30% 而目标只有 19%，加权之后这批数据还能不能用。

加权能修结构偏差，修不了三件事：人不真实、题目设计有误导、某个配额格一份都没有。

加权不是免费的：1000 份样本做城市加权后，有效样本量降到约 897 份，误差从 ±3.1% 退到 ±3.3%；结构偏得更厉害时只剩 727 份，误差到 ±3.6%。

基准不能用平台自己的分布：用自有 panel 的人群分布当基准，等于自己给自己打分。

本文给出加权前三个准备、两个算例、报告必填的三项，以及五个常见问题。

一、加权到底能修什么，不能修什么？

加权（weighting）的本质，是给每份答卷乘一个系数，让样本的人口结构与目标总体对齐。它是一项数学修正，只对"结构偏差"有效。
三类偏差要分清：

这张表最重要的一行是第二行。加权是一个乘数，它会让偏差按倍数走——如果那批高线城市样本里混着虚假身份，加权之后虚假的部分会被放大。这也解释了为什么质控必须发生在加权之前，顺序不能反。
第三行还有一个反直觉的结论：某个人群格子里样本量为零时，正确做法是承认这批数据不能代表该人群，而不是用一个很大的权重去"补"。权重超过 3 就已经危险，超过 5 的报告基本不能用于对外发布。

二、加权前必须准备的三件事

第一，基准（benchmark）从哪来。这是加权最容易出错的一步。正确来源是国家统计口径、行业普查或第三方权威报告；错误来源是平台自己的用户分布。如果用自有 panel 的人群结构当基准去加权同一批 panel 样本，等于自己给自己打分——结构一定"完美"，偏差一定看不见。
第二，加权变量怎么选。加权变量必须同时满足两条：与目标行为相关、且彼此不高度共线。城市级别、性别、年龄、收入是常见组合；但"城市级别"与"收入"高度相关，同时加权容易产生极端权重。实务做法是先加人口维度，再对关键行为维度做一次校验，而不是把所有维度一股脑加进去。

第三，权重怎么算、怎么截断。单变量加权用目标占比除以实际占比；多变量用迭代比例拟合（raking）。算完必须做截断，常见规则是单个权重不超过 3，超过的部分折叠回 3 并重新归一。

三、算例一：轻度偏移，1000 份只剩 897 份有效

假设收到 1000 份答卷，城市级别分布与实际目标如下，权重按"目标 ÷ 实际"计算。

这组权重看起来都不夸张，最大 1.55。但加权会损失精度，损失幅度可以用有效样本量衡量：有效样本量 = （权重之和的平方）÷（权重平方之和）。代入上表，权重平方之和约为 1,114，于是有效样本量为 1,000,000 ÷ 1,114 ≈ 897 份。
换算成误差：1000 份的误差约 ±3.1%，897 份的误差约 ±3.3%。这批数据的"名义样本量"是 1000，"实际说服力"是 897——如果你要用它判断两个方案差 2 个百分点，这个差别已经落在误差范围内。

四、算例二：严重偏移，只剩 727 份有效

同一份问卷，如果一线城市招到了 450 份（占 45%），四线只招到 150 份（占 15%），情况会明显恶化。

权重平方之和升到约 1,375，有效样本量变成 1,000,000 ÷ 1,375 ≈ 727 份，误差从 ±3.1% 退到 ±3.6%。同样是 1000 份回收，结构偏得更厉害时，真实说服力少了近三成。
这两组算例给出一个反常识的结论：样本量够了不等于精度够了。真正决定精度的，是回收结构与目标结构差多远。所以配额不该按"总量 1000"下单，而该按"每格多少份"下单——这也是配额设计与事后加权的关系：前置配额做得越准，事后加权就越轻，有效样本量损失越小。

五、加权之后，报告里必须写清哪三项？

第一项，加权前后的分布对照表。至少给出加权前占比、加权后占比与目标占比三列，让读者能自己判断偏差有多大、被修正到什么程度。
第二项，有效样本量。不能只报名义样本量。写"回收 1000 份，加权后有效样本量 897 份"，比只写"1000 份样本"更负责任，也更经得起复核。
第三项，极端权重的情况。有多少个格子的权重超过 2、最大权重是多少、是否做过截断。权重集中度是判断这批数据能不能对外发布的关键信号——一个权重 3.5 的格子，实际是在用少数人的回答代表一整类人。

六、五个常见问题

问：加权之后是不是就代表全体消费者了？

答：只代表加权所用维度上的结构。城市、性别、年龄对齐了，不代表购买行为、品牌偏好也对齐。加权修正的是结构，不是全部代表性。

问：为什么不直接把配额卡死，非要事后加权？

答：两者是互补的。配额卡死能保证每格有量，但无法保证回收结构与目标完全一致；加权做的是最后一道校正。前置配额越准，加权越轻，有效样本量损失越小。

问：加权会损失多少精度？

答：取决于权重的离散程度。算例里轻度偏移损失约 10%（1000 变 897），严重偏移损失约 27%（1000 变 727）。判断方法就是算有效样本量。

问：权重多大就不能用了？

答：一般规则是单个权重不超过 3，超过 3 折叠处理；平均权重超过 5 的报告不建议对外发布。因为此时少数样本承载了过多代表性。

问：加权能替代质控吗？

答：不能，顺序也不能反。加权是乘数，会把虚假数据一起放大。身份与设备排重、答题时长与直线题校验必须在加权之前完成。

七、结论：加权是校正，不是兜底

三句话概括：加权能修结构偏差，修不了人不真、修不了格子空；加权有成本，1000 份做城市加权后有效样本量约 897 份；加权要写清三件事——加权前后分布、有效样本量、极端权重格数。
对企业的实际建议是：把配额当成第一道防线，把加权当成最后一道校正，两道都做，而不是只做一道。下单时按"每格多少份"而不是"总共多少份"谈，加权压力会小很多。

本文边界：文中的加权公式、有效样本量公式与误差计算为通用统计方法，两个算例为固定假设下的算术推算（样本量、实际占比与目标占比按表格标注），不含设计效应之外的其他复杂加权情形；城市级别目标占比采用 19%、26%、31%、24% 一组口径作为示例，实际项目应以当期权威统计基准为准。

关于 PowerCX 风铃系统
PowerCX 风铃系统是专业的用户洞察与体验管理 CX 平台，集问卷调研、样本服务与体验管理于一体，为企业提供从采集、分析到决策的全流程解决方案。自有样本人群 480 万+，覆盖全国 300+ 城市（四线占 24%），日活 5.5 万+、月完成样本量 40 万+；常用标签 3000+、洞察维度 100+，支持 Monadic、Sequential Monadic、MaxDiff、PSM、Gabor Granger 五类研究模型。质控含注册与设备排重、指纹系统与机器人拦截、答题时长与直线题校验、态度陷阱题与真实度验证、交付前 benchmark 比对，结算单位为成功有效样本，并提供特殊复核与 API 对接通道。团队 200 余人分布于北京、上海、广州、沈阳，2025 年服务品牌客户 2000+、商业项目 1 万+、商业服务样本量 500 万+。PowerCX风铃系统官网 www.powercx.com

需要做一份带配额设计的消费者研究？可以把目标人群、样本量与城市级别要求发给我们，我们会先给出每格可达量预估与加权方案，再确认执行。