在R中执行分层抽样遇错误：600行数据集抽取20行样本求助

错误原因 #

你按screen_gender、age_nih_reg、screen_site、educ、screen_race5个变量交叉分组后，部分分组的样本量仅为1（比如报错提示的组），但你强制每个组抽取30个样本且不允许重复抽样，这就触发了样本量不足的错误。

解决方案 #

你的需求是抽取n=20的近似代表性样本，无需严格匹配分组比例，以下是几种可行的代码方案：

方案1：简化分组+比例抽样（推荐）

先合并细分变量（比如把连续年龄转为区间分组），减少分组数量，再按比例抽样后调整总样本量：

library(dplyr)

target_n <- 20

# 先将年龄转为区间分组，避免因单个年龄值导致分组过细
IGNITE <- IGNITE %>%
  mutate(age_group = case_when(
    age_nih_reg < 30 ~ "18-29",
    age_nih_reg < 50 ~ "30-49",
    TRUE ~ "50+"
  ))

# 按关键变量分层，按比例抽取后再统一取20个样本
sampled_data <- IGNITE %>%
  group_by(screen_gender, screen_site, age_group, educ) %>%
  slice_sample(prop = target_n / nrow(IGNITE), replace = FALSE) %>%
  ungroup() %>%
  slice_sample(n = target_n)

方案2：动态适配分组抽样量

保留原分组逻辑，但让每个组抽取的样本量不超过组内实际数量，最后再从所有抽取的样本中筛选20个：

library(dplyr)

target_n <- 20

sampled_data <- IGNITE %>%
  group_by(screen_gender, age_nih_reg, screen_site, educ, screen_race) %>%
  # 每个组最多抽取组内全部样本，避免样本量不足
  sample_n(size = min(5, n()), replace = FALSE) %>%  # 这里设置每个组最多抽5个，可根据情况调整
  ungroup() %>%
  slice_sample(n = target_n)

方案3：加权随机抽样

直接基于分层变量的权重进行抽样，让大组被抽到的概率更高，近似保证代表性：

library(dplyr)

target_n <- 20

# 计算每个分组的权重（组内样本量越大，权重越高）
group_weights <- IGNITE %>%
  group_by(screen_gender, age_nih_reg, screen_site, educ, screen_race) %>%
  mutate(weight = n()) %>%
  ungroup()

# 按权重抽取20个样本
sampled_data <- group_weights %>%
  slice_sample(n = target_n, weight_by = weight) %>%
  select(-weight)

关键提示 #

• 避免用过多变量交叉分组，否则极易出现极小样本量的分组，导致抽样失败；
• 优先选择简化分组+比例抽样的方案，既保证近似代表性，又能避免样本量不足的问题。

内容的提问来源于stack exchange，提问作者Emma