全文共3210字，预计学习时长6分钟 你一定经历过这种情况：下载了一个大型数据集，开始进行分析并建立机器学习模型。但在尝试加载数据集时，计算机突然显示“内存不足”错误。 这是数据科学中面临的最大障碍之一——用运算能力有限的计算机处理大量数据。 那么如何克服这个长期存在的问题呢？是否有一种方法可以选择数据的子集进行分析，还可以很好地表示整个数据集呢？  有的！这种方法称为抽样法。在学校或大学期间，甚至在职业生涯中，都经常碰到这个术语。抽样是收集数据子集并进行分析的好方法。但是，是否应该随机挑选子集呢？ 本文将探讨八种不同类型的抽样技术，及其适用的情况。这是一篇适合初学者的文章，其中一些描述性统计的知识也很有用。  目录 1. 什么是抽样？ 2. 为什么需要抽样？ 3. 抽样的步骤 4. 不同类型的抽样技术 5. 概率抽样的类型 6. 非概率抽样的类型 什么是抽样？ 首先，抽样的定义如下。 抽样是一种可以基于总体子集（样本）的统计信息来获取总体信息，而无需分别调查每条信息的方法。  上图完美地说明了什么是抽样。可以通过示例更直观地了解抽样。 比如，求德里所有成年男性的平均身高。德里的人口大约为3千万，男性大约为1500万（这些只是该例的一种假设，因此请不要信以为真！）。可以想象，要知道德里所有男性的平均身高几乎是不可能的。 也不可能接触到所有男性，因此无法真正地分析整个人口。那么能做什么呢？可以提取多个样本，计算所选样本中个体的平均身高。  但是，接下来又有一个问题：如何取样呢？应该随机抽样吗？还是必须询问专家？ 假设调查者可以去篮球场，以所有职业篮球运动员的平均身高作为样本。这不是一个好样本，因为一般而言，篮球运动员的身高要比一般男性高，这样对平均男性身高的估计不准确。 有一个潜在的解决方案：在随机情况下寻找任意的人，这些人的样本不会因为身高问题产生偏差。 为什么需要抽样？ 你一定知道答案。 进行抽样是为了从样本中得出有关人群的结论，以便通过直接观察群体的一部分（或样本）来确定该人群的特征。 · 与选择群体中的每个个体相比，选择样本所需的时间更少 · 样本是一种经济高效的方法 · 与分析整个群体相比，对样本进行分析简单方便而且更加实用 抽样步骤 通过将概念可视化可以记得更牢固。因此，下面以流程图的形式呈现抽样的各个步骤。  可进行一个有趣的案例研究，并按照以下步骤进行抽样。几个月前，印度举行了大选。当时每个新闻频道都在跟进民意测验：  这些结果涵盖了印度所有9亿选民的意见，还是仅考虑了一小部分选民的意见呢？一起看看这是如何进行的。 第1步 抽样过程的第一步是明确目标人群。 因此，为了进行民意调查，投票机构仅考虑18岁以上且有资格进行投票的人群。 第2步 抽样框架：构成抽样样本的个体或人群的列表。 因此，抽样框架会将所有选民姓名都写在某选区选民名单上。 第3步 通常，使用概率抽样方法是因为每个投票人都具有同样的价值，并且任何人都可以被包括在样本中，而不管其种姓、社区或宗教信仰如何。从该国家不同地区选取不同样本。 第4步 样本数量——样本中要采集的个人或物品的数量，要足够对这一人群做出精准的推断。 样本量越大，对这一人群的推断就越准确。 对于民意测验而言，机构试图让有不同背景的人群尽可能多地包括在样本中，因为这将有助于预测一个政党可以赢得的席位数。 第5步 一旦确定了目标人群、抽样框架、抽样技术和样本数量，下一步就是从样本中收集数据。 在民意测验中，机构通常会向人们提一些问题，例如要投票给哪个政党或之前的政党做了什么工作等等。 根据答案，各机构会试图解读出选民将投票给谁，以及某个政党大约可以赢得多少席位。这项非常令人兴奋，对吧？ 不同类型的抽样技术 这是另一个图解说明，介绍了不同类型的抽样技术：  · 概率抽样：在概率抽样中，群体中的每个人都有被选择的平等机会。概率抽样提供了一个真正代表群体的样本。 · 非概率抽样：在非概率抽样中，群体中的每个人都没有被选择的平等机会。因此，可能出现非代表性样本，这种样本无法产生概括性的结果。 例如，假设某个人群有20个人。每个人从1到20进行编号，并用特定的颜色（红色、蓝色、绿色或黄色）表示。每个人在概率抽样中被选出的几率为20分之一。 对于非概率抽样，这些几率并不相等。一个人可能比别人更有可能被选中。现在，已经对这两种抽样类型有了一个概念，再深入了解每种抽样类型，了解每个部分下的不同抽样类型。 概率抽样的类型 简单随机抽样 这种抽样技术十分常见。在简单随机抽样中，每个人都是被偶然选出来的，群体中的每个成员被选中的机会均等。 简单的随机抽样可减少选择偏差。 该技术的一大优势在于这是概率抽样的最直接方法。但有一个警告——可能无法选择出具有所需特征的足够多的个体。蒙特卡洛方法通过重复随机抽样来估计未知参数。 系统抽样 在这种抽样方式中，第一个个体是随机选择的，而其他个体则使用固定的“采样间隔”来进行选择。举一个简单的例子来理解这一点。 假设某一群体的规模是x，需要选择的样本量为n。然后，选择的下一个个体将是第一个个体的x / n个间隔。可以用相同的方式选择其余样本。 假设从3号开始，需要的样本数量为5。因此，接下来将选择的第二人与第三人的间隔为（20/5）=4，或7 (3+4), 等等。 3, 3+4=7, 7+4=11, 11+4=15, 15+4=19 = 3,7, 11, 15, 19 系统抽样比简单随机抽样更加方便。但是，如果存在某种潜在模式，则可能导致偏差（尽管这种情况发生的机率非常小）。 分层抽样 在这种类型的抽样中，根据性别、类别等不同特征将群体分为多个子分组（称为阶层）。然后，从以下子分组中选择样本： 首先根据红色、黄色、绿色和蓝色这些不同颜色将群体分为多个子分组。然后，从每种颜色数字在群体中的比例选出个体。 当需要该群体所有子分组的典型代表时，可以使用这种类型的抽样。但是，分层抽样需要了解一定的群体特征。 聚类抽样 在聚类样本中，使用群体的子分组作为抽样单位，而不是个体。群体分为多个子分组，可称为聚类，随机选择某个聚类以进行研究： 上例中将群体分为5类。每个聚类由4个个体组成，在样本中采用了第4个聚类。根据样本量，可以包括更多的聚类。 当需要关注特定地区或区域时，可以使用这种类型的抽样。 非概率抽样的类型 方便抽样 这可能是最简单的抽样方法，根据个人的可用性和参与意愿来选择样本。 假设编号为4、7、12、15和20的个人希望参与抽样调查，那就把他们包含在样本中。 方便抽样容易产生明显的偏差，因为样本可能无法代表某些特征，例如群体的宗教、性别等特征。 配额抽样 配额抽样根据群体的预定特征选择项目。比如在本例中，必须选择数字为四的倍数的个人作为样本： 因此，编号为4、8、12、16和20的个人已经成为预定样本。 在配额抽样中，所选样本可能无法较好地呈现未考虑的群体特征。 判断抽样 也称为选择性抽样。对样本的选择取决于专家的判断。 假设，专家认为，应该将编号为1、7、10、15和19的个人作为样本，因为这些样本可以帮助更好地推断这一群体。可以想象，配额抽样也容易受到专家的影响，也不一定具有代表性。 雪球抽样 这种抽样技术要求现有抽样人员推荐更多自己所认识的其他人员，以便样本的数量像滚雪球一样增加。当抽样框架难以识别时，这种抽样方法很有效。 例如，随机选择了1号人员作为样本，然后他（她）推荐了6号人员，6号人员又推荐了11号人员，依此类推。 1-> 6->11-> 14-> 19 雪球抽样也可能存在选择偏见，因为被选择的个体与推荐他们的个体具有共同的特征。 如需转载，请后台留言，遵守转载规范 |
|
|
