如何使用R生成与真实调研问卷结构一致的模拟数据集？

完全可以生成和你问卷结构、变量完全匹配的模拟数据集，也可以基于10-20份小样本答卷拟合对应分布，生成更贴近真实回收特征的模拟数据，具体可按以下步骤实现：

1. 先完成问卷结构的元数据映射 #

不管有没有拿到首批小样本，先把问卷所有题型、变量规则拆成结构化的元数据配置，不同题型对应配置项如下：

• 单选题：记录每个选项的编码、选项含义，后续拿到小样本后可补充统计各选项的出现频率
• 多选题：记录选项编码、是否有最多/最少选择限制，后续拿到小样本后可补充各选项的选中概率、选项共现关联规则
• 数组题（量表题）：记录量表的分值范围、是否允许反向计分，后续拿到小样本后可补充分值的均值、标准差、不同量表题之间的相关系数
• 开放题：可提前预设几个和调研主题相关的高频短文本模板，后续拿到小样本后可提取样本中的关键词做随机拼接生成，也可以直接填充占位符方便分析脚本提前占位

2. 小样本分布拟合与扩展 #

拿到10-20份首批有效答卷后，按变量类型做分布拟合，生成符合真实特征的大样本模拟数据：

• 分类变量（单选、多选）：直接统计小样本中的频率分布作为抽样权重，比如单选题A选项出现3次、B出现7次，就按30%/70%的概率随机抽样生成更大样本的对应题项结果；如果问卷有逻辑跳转规则（比如选A的用户才会显示第5题），需要把跳转规则也加入生成逻辑，和真实回收数据的缺失规则保持一致
• 连续/有序变量（量表得分）：用小样本的均值、标准差拟合正态分布，也可以直接用小样本的经验分布做有放回抽样；如果需要还原不同题项之间的相关性，可以用Copula方法拟合小样本的相关结构，生成的模拟数据会保留变量间的关联特征
• 多选题特殊处理：除了单个选项的选中概率，还可以统计小样本中的选项共现频率，比如选了选项1的用户有80%同时选了选项3，生成时要保留这类关联逻辑，避免出现不符合真实情况的选项组合

3. 代码实现参考 #

用Python即可快速实现，核心依赖numpy做随机抽样、pandas做数据结构化存储，核心代码示例：

import pandas as pd
import numpy as np

# 1. 单选题生成：q1选项为['男','女']，小样本统计频率为40%/60%
q1 = np.random.choice(['男','女'], size=1000, p=[0.4, 0.6])

# 2. 5分量表题生成：小样本均值3.2，标准差0.8，限制分值范围1-5
q2 = np.clip(np.random.normal(loc=3.2, scale=0.8, size=1000), 1, 5).astype(int)

# 3. 多选题生成：共3个选项，各选项选中概率0.6、0.3、0.5，要求最少选1个、最多选2个
def gen_multi_choice():
    options = []
    while len(options) < 1 or len(options) > 2:
        options = [i+1 for i, p in enumerate([0.6, 0.3, 0.5]) if np.random.rand() < p]
    return options
q3 = [gen_multi_choice() for _ in range(1000)]

# 合并为结构化模拟数据集
sim_data = pd.DataFrame({'q1_gender': q1, 'q2_satisfaction': q2, 'q3_demand': q3})

4. 模拟数据合理性校验 #

生成后可做简单校验，确保和真实数据特征一致：

• 对比小样本和模拟样本的各题频率分布、均值标准差差异，误差控制在可接受范围即可
• 校验逻辑跳转规则是否生效，不符合跳转条件的用户对应题项的值和真实回收数据的填充/缺失规则一致
• 多选题的选中数量符合问卷设置的最多、最少选择限制

内容的提问来源于stack exchange，提问作者Chris