当实验者或研究人员在寻找数据时，通常不可能测量群体中的每个数据点。然而，统计方法允许通过分析从人口中提取的较小样本的结果来推断人口。有几种取样方法。

分层随机抽样是研究人员使用的一种常用方法，因为它使他们能够获得最能代表整个研究群体的样本群体，确保每个感兴趣的亚组都有代表性。尽管如此，这种研究方法并非没有缺点。

关键要点

• 分层随机抽样允许研究人员通过将被研究人群分成称为分层的亚组，获得最能代表整个被研究人群的样本人群。
• 然而，这种统计抽样方法不能用于每一项研究设计或每一个数据集。
• 分层随机抽样不同于简单的随机抽样，后者 涉及从整个人群中随机选择数据，因此每个可能的样本发生的可能性相等。

分层随机抽样综述

分层随机抽样首先将一个群体划分为若干个亚群体，然后对每个亚群体采用随机抽样方法组成一个试验组。一个缺点是研究人员不能将人口中的每一个成员都分成一个亚组。

分层随机抽样不同于简单随机抽样，它涉及从整个人口中随机选择数据，使每个可能的样本发生的可能性相等。相比之下，分层随机抽样根据共同特征将人群分成更小的群体或阶层。从每个阶层中随机抽取一个样本，样本大小与阶层人口的比例成正比。

分层随机抽样实例

以下是分层随机抽样的示例：

研究人员正在进行一项研究，旨在评估一所主要大学的经济学学生的政治倾向。研究人员希望确保随机样本最接近学生群体，包括性别、本科生和研究生。研究中的总人口是1000名学生，从那里开始，分组如下所示。

总人口=1000

研究人员将大学里的每一个经济学专业的学生分为四个亚群体：男大学生、女大学生、男研究生和女研究生。研究人员接下来将统计每个小组有多少学生构成了1000名学生的总人口。在此基础上，研究人员计算每个亚组在总人口中所占的百分比。

子组：

• 男本科生=450名学生（满分100） 占总人口的45%
• 女本科生=200名学生或20%
• 男研究生=200名学生或20%
• 女研究生=150名学生或15%

每个亚群的随机抽样是根据其在整个群体中的代表性进行的。由于男大学生占总人口的45%，所以从这个亚组中随机挑选了45名男大学生。因为**毕业生只占总人口的20%，所以选择20人作为样本，以此类推。

虽然分层随机抽样准确地反映了被研究的人群，但需要满足的条件意味着这种方法不能用于所有的研究。

分层随机抽样的优点

与简单随机抽样相比，分层随机抽样具有优势。

准确反映所研究的人口

分层随机抽样准确地反映了被研究的人群，因为研究人员在应用随机抽样方法之前对整个人群进行了分层。简言之，它确保了群体中的每个子群在样本中得到适当的表示。因此，分层随机抽样提供了更好的人口覆盖率，因为研究人员可以控制亚组，以确保所有亚组都在抽样中得到代表。

在简单的随机抽样中，并不能保证选择了任何特定的子群体或类型的人。在我们前面的大学生的例子中，使用简单的随机抽样从人群中获得100个样本，可能导致只选择25名**本科生，或者只选择总人口的25%。此外，35名女研究生可能被选中（占总人口的35%），导致男本科生人数不足，女研究生人数过多。人口代表中的任何错误都有可能降低研究的准确性。

分层随机抽样的缺点

分层随机抽样也给研究者带来了一个缺点。

不能用在所有的研究中

不幸的是，这种研究方法不能用于所有的研究。这种方法的缺点是必须满足几个条件才能正确使用。研究人员必须确定被研究人群中的每一个成员，并将他们分为一个，而且只有一个，亚群体。因此，当研究人员不能自信地将人群中的每个成员都划分为一个亚组时，分层随机抽样是不利的。此外，要找到一份详尽而明确的整个人口名单也很有挑战性。

如果有主题属于多个子组，则重叠可能是一个问题。当进行简单的随机抽样时，那些在多个亚组中的人更有可能被选中。结果可能是对民众的歪曲或不准确反映。

上面的例子很简单：本科生、研究生、**和**是明确定义的群体。然而，在其他情况下，这可能要困难得多。想象一下结合诸如种族、民族或宗教等特征。分类过程变得更加困难，使得分层随机抽样成为一种无效且不太理想的方法。