高维调查数据集抽取代表性样本的方法及实操问题咨询

1. 分层抽样的分层变量选择方法 #

• 优先筛选和你的研究核心目标高度相关的变量：比如研究就业相关问题优先选就业状态、收入区间、年龄，研究公共服务相关问题优先选城市、区县、街道层级，和研究主题无关的变量无需纳入分层维度
• 严格控制分层变量数量：最多选3-5个即可，分层变量过多会导致部分层级的总体样本量过少甚至出现空层，反而会降低样本代表性。如果多个变量关联性较强，可以做聚合处理，比如把城市+区县合并为「城市-区县」单个分层变量，不用分开作为独立分层维度
• 优先选择类别数量少的分类变量：收入、年龄这类连续变量可以先做分箱（比如年龄分为18-30/31-45/46-60/60+四组，收入分为五等分组）再用于分层，不要直接用原始连续值分层
• 必须纳入后续分析的核心分组变量：如果你后续需要分城市、分年龄组做对比分析，对应的变量必须放进分层维度，保证样本中各组的占比和总体一致

2. R语言分层抽样工具的选择 #

只要抽样逻辑符合标准分层抽样的定义，不同工具抽出来的样本代表性没有本质差异，差异仅体现在使用便捷性上，代表性好坏完全取决于你选择的分层变量是否合理，和工具无关：

• 统计领域认可度最高的是sampling包的strata()函数，支持按比例分层、固定样本量分层两种常用模式，逻辑透明，结果容易通过学术审核
• 如果你习惯用tidyverse生态，直接用dplyr的slice_sample()函数，指定by参数为你的分层变量即可实现分层抽样，代码写起来更简洁，适合日常分析场景
• 不建议使用小众第三方包的抽样实现，避免逻辑不透明带来的未知偏差

3. 样本代表性的检验方法 #

• 第一步先做描述性分布对比：拉取核心变量的总体分布和样本分布做对齐，比如不同城市的占比、年龄组占比、收入分位数、就业状态占比，单个指标的偏差控制在5%以内一般认为符合要求
• 统计检验层面：
  • 分类变量用卡方检验，对比总体和样本的类别占比是否存在显著差异，p值大于0.05说明二者无显著差异
  • 连续变量用KS检验（Kolmogorov-Smirnov检验），对比总体和样本的分布是否存在显著差异，p值大于0.05说明二者无显著差异
• 注意不要只看单一变量的检验结果，所有你后续分析要用到的核心维度都要通过检验，才算样本代表性合格

内容的提问来源于stack exchange，提问作者Erica