方法章里被追问最多的两个问题是:样本够不够大、样本代表不代表总体。两者是不同的东西,很多人混为一谈。
样本量:够不够做统计
不同分析对样本量的要求不同,粗略参考:
| 分析 | 最低样本 | 经验法则 |
|---|---|---|
| 描述统计 / 百分比 | 100+ | 每个分组至少 30 |
| 相关 / 简单回归 | 80+ | 每个自变量 15–20 例 |
| 多元回归 | 150+ | 每自变量 20 例以上 |
| 因子分析 | 200+ | 题项数的 5–10 倍 |
| 结构方程模型 | 250+ | 观测变量数的 10 倍 |
| 定性访谈 | 12–20 | 以信息饱和为准 |
如果样本达不到,两个正当做法:简化分析(只做描述与相关,不做复杂模型)、在局限里明确说明并讨论影响。不正当做法是硬跑模型然后不报告效力分析。
代表性:能不能推到总体
代表性取决于抽样方法,不是数量。200 份便利抽样(比如只在朋友圈发),代表性不如 80 份分层随机抽样。
| 抽样方法 | 代表性 | 适用 |
|---|---|---|
| 简单随机 | 高 | 有完整抽样框 |
| 分层随机 | 高 | 总体内部差异大(如按年级分层) |
| 系统抽样 | 中高 | 名单有序且无周期规律 |
| 便利抽样 | 低 | 探索性研究,需明确说明局限 |
| 滚雪球 | 低 | 难以触及的群体(如特定职业) |
| 目的性抽样 | 不适用 | 定性研究,追求信息密度而非代表性 |
怎么写这一节
一段合格的样本描述包含五件事:
- 总体:你研究的对象整体是谁(如「2024 年入学的中国籍授课型硕士生」)。
- 抽样框:从哪个名单里抽(如「三所大学的国际学生邮箱列表」)。
- 方法:怎么抽的,为什么这么抽。
- 实际样本:发出多少、回收多少、有效多少、有效率多少。
- 样本特征表:性别、年龄、专业、地区分布,并与总体对比。
第五项最关键:把样本分布与总体分布并列,读者自己就能判断偏差。如果女性占 78% 而总体是 52%,你要在局限里讨论这个偏差如何影响结论。
无应答偏差(non-response bias)
回收率低于 30% 时,要讨论「没回答的人和回答的人可能不同」。一个简单检验:比较早回收与晚回收样本的核心变量,如果差异显著,说明存在无应答偏差。
审稿人不会因为你样本小就否定你,但一定会因为你假装样本没问题而否定你。诚实写局限,比硬撑更有说服力。
定性研究的「样本量」怎么说
定性研究不谈统计效力,谈信息饱和(saturation)。写法:「访谈进行至第 14 位时,新增编码数量降至 2 个以下,第 16–18 位未出现新主题,判定达到饱和。」这句话比「共访谈 20 人」有说服力得多。