风铃系统致力于打造未来的商业操作系统，运用大数据和人工智能技术，推出了品牌体验、产品体验、服务体验和员工体验组成的CEM产品矩阵，为企业、政府、高校和个人提供问卷设计、样本收集、建模分析、决策建议等一站式解决方案。

那么，接下来风铃系统跟大家聊聊：系统误差中的样本设计误差。

只要有调研，就会有误差。偶然的、不可控的误差是随机误差，比它更具威胁性的则是人为导致的系统误差，可能是样本设计误差、测量误差等，因为百密必有一疏。本文就系统误差中的样本设计误差展开说明，并给出具体措施。

样本设计误差有哪些？

调研对象范围误差

这种误差是当调研对象总体或者样本选择范围不正确界定时产生的误差。当调查者不知道他们应该调查谁时，这种误差就很容易出现。比如很多类人会购买某种产品，但只有少数几类人群会成为忠实顾客，如果没有调查对象中没有包含这些少数人，就很容易失去某些细分市场。

例如，很多缺少经验的家庭用品厂商只会对家庭主妇进行市场调研。因为她们更好接触、更愿配合，而且厂商们总是假定：家庭主妇就是家庭采购中唯一的决策者和执行者。但往往并非如此，其他家庭成员必然也会直接或间接产生影响。

抽样框误差

抽样框是你可以从中抽取样本的名单。比如，某高校校园调查中，全体学生是总体，可以参与问卷调查的1000名学生则是抽样框，最后从中随机抽取的200名则是样本。但如果这1000名可调研的学生，和其余无法被调研的学生间在某些方面存在系统化差异，则会出现抽样框误差。

一个最经典的例子是多次成功预测美国总统大选的《文学文摘》预测1936年大选惨遭翻车，罗斯福以史上最大优势击败兰顿成为总统。最主要原因就是抽样框选择不当，《文学文摘》从电话簿和车牌登记名单中选取样本。而当时在处于大萧条的美国，能用得起电话和汽车的人，可想而知都是高收入群体，而其政见也更保守。因此支持罗斯福新政的主力军——占据美国人口多数的低收入者没有被抽样。

抽选误差

即使选择了适当的抽样框，正确地界定了总体，抽选误差也可能出现。它指的是因抽样程序选择或执行不当产生的误差。

最常见的情况是为了降低问卷收集难度，选择了最简单而不是最合适的方式。比如滚雪球抽样，后续的受访者都是从前一批联系来的，就很容易使样本特征高度相似，不能很好地代表总体。同理，发动周围亲朋好友转发调查问卷，也可能会出现抽选误差！

如何减小样本设计误差？

作为专业调研平台，风铃系统给你以下建议来避免样本导致的误差：

增加样本容量

The bigger the better。样本容量越大，越接近总体容量，调研结果会越准确。

扩大样本容量的难度往往在于没有便捷高效的调研方式，短时间内要精准回收大量问卷太难了。但风铃系统有强大样本库，囊括400万+自有样本、国内头部电商4亿+消费者，以及招聘网站中的2.5亿+用户，加上我们极具竞争力的高响应率优势，双管齐下，从而大幅提升在线调查的问卷收集效率。

足够了解自己调研的对象和目标

如果无法扩大样本容量，那么摸透你的调研对象、找准样本就更为重要，可能会起到事半功倍的效果。

如何做到抽样又全面又准确？风铃系统自有的受访者给予许可的数据库，可以根据人口属性、用户画像、购物行为等标签，精准触达各类人群，甚至可以精准定位到三四线城市、农村，以及宝妈、游戏迷、美妆达人、忠实数码用户等各类社群。

如果你还拿不准自己的抽样范围，风铃系统提供问卷设计及优化、数据分析等一站式服务，为你的调研出谋划策、保驾护航。我们的专业调研团队都有资深调研行业经验，曾供职于头部咨询公司并服务过众多国内外500强企业客户。

如果问卷已经回收，还有挽回余地。风铃系统还提供免费的数据加权功能，内置最新的国家统计年鉴数据。可以依据真实的人口分布调整年龄、地域等属性，进行单个维度或者二维交叉加权，使调查结果符合实际。