统计学是应用数学的一个分支，它通过研究较小的事件或对象来帮助我们了解大型数据集。简而言之，您可以通过检查较小的样本来推断大量人口。统计分析通常用于识别许多不同领域的趋势，包括商业和金融。个人可以利用统计研究的结果对他们的资金、业务和投资做出更好的决策。
研究人员通常从一个简单的随机样本开始。这使他们能够从统计上测量从更大的群体或人群中选择的个体子集，以近似整个群体的反应。这种研究方法既有优点也有缺点。我们在本文中重点介绍了这些优缺点，以及简单随机抽样的概述。
重点
- 一个简单的随机样本是研究人员用来从更大的人群中选择样本的方法之一。
- 如果选择人口中的任何受试者的机会均等，则此方法有效。
- 研究人员选择简单的随机抽样来对总体进行概括。
- 主要优点包括它的简单性和没有偏见。
- 缺点之一是难以获得更多人口、时间、成本的列表，并且在某些情况下仍可能出现偏见。
简单随机样本：概述
如上所述，简单随机抽样涉及选择较大总体中的较小子集。这是随机完成的。但这里的问题是，选择子集中的任何样本的机会均等。当研究人员想要对更大的人群进行概括时，他们倾向于选择这种抽样方法。
可以使用以下方法进行简单随机抽样：
- 抽奖方式。该方法包括为数据集的每个成员分配一个数字，然后从这些成员中随机选择一组规定的数字。
- 技术。使用Excel等软件程序可以更轻松地进行随机抽样。研究人员只需确保所有公式和输入都正确布局。
为了使简单的随机抽样起作用，研究人员必须知道总人口规模。他们还必须能够消除所有偏见的迹象，因为简单的随机抽样是一种完全无偏见的方法，可以从一大群人中获得回应。
请记住，随机抽样存在误差空间。这通过在结果中添加正负方差来记录。为了避免任何错误，研究人员必须研究整个人群，这并不总是可能的。
为确保不会出现偏见，研究人员必须从足够数量的受访者那里获得回复，但由于时间或预算限制，这可能是不可能的。
简单随机样本的优点
简单的随机抽样可能很容易执行（顾名思义），但它并不经常使用。但这并不意味着它不应该被使用。只要做得好，这种抽样方法就有一定的明显优势。
缺乏偏见
使用简单的随机抽样可以消除所有偏见的迹象——或者至少应该如此。因为构成较大群体子集的个体是随机选择的，所以大群体集中的每个个体都具有相同的被选中概率。在大多数情况下，这会创建一个平衡的子集，该子集最有可能代表整个更大的群体。
这是一个简单的方法来展示研究人员在进行简单随机抽样时如何消除偏差。假设一个碗中有 100 个宾果球，研究人员必须从中选择 10 个。为了消除任何偏见，个人在选择球时必须闭上眼睛或将视线移开。
简单
顾名思义，产生一个简单的随机样本比其他方法要简单得多。使用这种方法没有任何特殊技能，可以产生相当可靠的结果。这与分层随机抽样等其他抽样方法形成对比。此方法涉及将较大的组划分为称为分层的较小子组。成员根据他们共享的任何属性分为这些组。如前所述，子集中的个体是随机选择的，没有额外的步骤。
所需知识较少
我们已经确定简单随机抽样是一种执行起来非常简单的抽样方法。但还有另一个类似的好处：它几乎不需要特殊知识。这意味着进行研究的个人不需要拥有任何关于更大人群的信息或知识就可以有效地完成他们的工作。
确保来自较大组的样本子集具有足够的包容性。不能充分反映整个人口的样本将导致结果有偏差。
简单随机样本的缺点
尽管使用简单的随机样本有明显的优势，但它确实存在固有的缺点。这些缺点包括收集特定人群的完整列表所需的时间、检索和联系该列表所需的资金，以及当样本集不足以充分代表全部人群时可能出现的偏差。我们将在下面详细介绍。
难以访问全部人口的名单
只有在获得要研究的整个人口的完整列表时，才能通过简单的随机抽样获得对大量人口的准确统计测量。想想大学的学生名单或特定公司的一组员工。
问题在于这些列表的可访问性。因此，访问整个列表可能会带来挑战。一些大学或学院可能不想提供完整的学生或教师名单以供研究。同样，由于隐私政策，特定公司可能不愿意或无法交出有关员工群体的信息。
耗时的
当无法获得较大人口的完整列表时，尝试进行简单随机抽样的个人必须从其他来源收集信息。如果公开可用，则可以使用较小的子集列表来重新创建较大人口的完整列表，但此策略需要时间才能完成。
保存学生、员工和个人消费者数据的组织通常会实施冗长的检索过程，这可能会阻碍研究人员获取有关整个人群的最准确信息的能力。
费用
除了从各种来源收集信息所花费的时间外，该过程可能会使公司或个人花费大量资金。每次提供数据时，从第三方数据提供商处检索人口的完整列表或较小的子集列表可能需要付费。
如果在第一轮简单随机抽样期间样本不足以代表整个人口的观点，那么购买额外的列表或数据库以避免抽样错误可能会令人望而却步。
样本选择偏差
尽管简单随机抽样旨在成为一种不偏不倚的调查方法，但可能会出现样本选择偏差。当较大群体的样本集不够包容时，整个群体的代表性就会出现偏差，需要额外的抽样技术。
数据质量取决于研究人员的资格
任何抽样方法的成功都取决于研究人员彻底完成工作的意愿。不愿意遵守规则或偏离手头任务的人将无助于获得可靠的结果。例如，如果研究人员没有提出适当的问题或提出了错误的问题，则可能会出现问题。这可能会产生隐性偏见，最终导致研究出现偏差。
什么是简单随机抽样？
术语简单随机抽样是指较大人口中的一小部分。该部分的每个成员都有相同的机会被选中。出于这个原因，一个简单的随机抽样意味着它在代表更大的群体时是没有偏见的。这种方法通常有出错的余地，由加号或减号表示。这被称为抽样误差。
如何进行简单随机抽样？
简单随机抽样涉及通过选取较小的子集来研究较大的人口。随机选择该子组并进行研究以获得所需的结果。为了使这种抽样方法起作用，研究人员必须知道较大人口的规模。子集的选择必须是无偏的。
随机抽样的四种类型是什么？
随机抽样有四种类型。简单随机抽样涉及对较大人群中较小子集的无偏研究。分层随机抽样使用从基于共享特征和属性的较大总体中派生的较小组。系统抽样是一种涉及较大数据集的特定成员的方法。这些样本是基于使用固定的周期性间隔的随机起点选择的。随机抽样的最后一种类型是聚类抽样，它获取数据集的成员并根据共享特征将它们放入聚类中。然后研究人员随机选择集群进行研究。
什么时候最好使用简单随机抽样？
当您有较小的数据集要研究时，使用简单的随机抽样总是一个好主意。这使您可以产生更能代表总体人口的更好结果。请记住，此方法需要单独识别和选择较大群体中的每个成员，这通常具有挑战性且耗时。
归纳总结
研究大量人群可能非常困难。从每个成员那里获取信息可能既昂贵又耗时。这就是为什么研究人员求助于随机抽样来帮助得出他们做出关键决策所需的结论，无论这意味着帮助提供居民需要的服务、做出更好的商业决策，还是在投资者的投资组合中执行变化。
只要您消除任何和所有偏见的暗示，简单的随机抽样相对容易进行。这样做意味着在进行研究之前，您必须掌握大量人口中每个成员的信息。这可以相对简单并且需要很少的知识。但请记住，该过程可能成本高昂，并且可能很难获得有关所有人口成员的信息。