抽样误差的秘密：为什么民调结果总是“±3%”？
在新闻报道里，我们经常会看到这样的表述：
“某候选人支持率 52%，误差范围 ±3%。”
很多人会疑惑：为什么不能直接说“支持率就是 52%”？
为什么结果总要加上“±3%”？
这背后，其实隐藏着统计学中的一个重要概念：抽样误差（Sampling Error）。
【一】什么是抽样误差？
当我们无法调查总体时，就只能通过样本去推断总体。但无论样本如何抽取，它和总体之间总会存在差异，这种差异就是抽样误差。
举个例子：
你想知道全班 50 名学生的平均身高。
- 如果你随机抽查 5 个人，结果可能是 170 厘米；
- 如果你换另一组 5 个人，结果可能是 168 厘米。
这就是抽样误差的表现。
样本越小，波动越大；样本越大，误差越小。
【二】数学公式背后的逻辑
在统计学里，样本量和误差之间的关系是有数学公式支撑的。
📌 以均值为例
如果我们想用样本均值去估计总体均值 ，其标准误差（Standard Error, SE）为：
其中：
- ：总体标准差（如果未知，就用样本标准差 s 来近似）；
- ：样本量。
这个公式告诉我们：样本越多，分母越大，标准误差就越小。
换句话说，调查人数从 100 提高到 1000，误差大约缩小到原来的三分之一。
这就是“大数定律”的体现。
举例：如果我们要估计某城市居民的平均通勤时间，调查 50 人可能误差很大，但调查 1000 人，结果会更加稳定可靠。
📌 在比例问题中的公式
当研究对象是“是/否”“支持/反对”这种二元结果时（例如选举民调），标准误差的公式稍微不同：
其中：
- ：总体比例（比如候选人的真实支持率）；
- ：样本量。
在 95% 的置信水平 下，误差范围大约是：
如果样本量大约是 1000 人，就能得到 ±3% 左右的区间，这就是新闻里常见的“支持率 52% ± 3%”。
【三】为什么不是调查越多越好？
理论上，样本越大，误差确实越小。
- 调查 100 人，误差可能在 ±10%；
- 调查 1000 人，误差缩小到 ±3%；
- 调查 1 万人，误差甚至小于 ±1%。
但是，样本量增加带来的改进有边际递减。
从 1000 增加到 2000，误差的改善已经有限，但调查成本却翻倍了。
因此，调查机构通常选择在 1000–2000 人左右，既能保证结果可信，又不会耗费过多资源。
【四】抽样误差的意义
- 它提醒我们：样本推断不是绝对精准的，而是带有不确定性。
- 它解释了：为什么两个民调机构的结果可能差几个点，但趋势仍然一致。
- 它帮助我们：理性看待新闻报道中的数字，理解“±3%”的科学含义。
换句话说，抽样误差并不是统计学的缺陷，而是科学推断中必然要承认的不确定性。
✨ 小结
“某候选人支持率 52%，误差范围 ±3%”，并不是含糊其辞，而是告诉我们：
- 真正的支持率大概率落在 49%–55% 之间；
- 这种“区间”比单纯的一个数字更科学，也更符合现实。
📌 所以，当你下次看到“±3%”时，不要怀疑统计学，而要理解：正是这种“误差意识”，才让统计推断更加可靠。