3.3 整体性调查误差框架

整体性调查误差 = 表征误差 + 测量误差

从抽样调查中得到的估测结果常常不是很准。这是说，抽样调查（如估计某校学生的平均身高）得到的结果与观测人口的真实值常常存在差异（该校学生的实际平均身高）。有时这个误差很小，但有时，这个误差很大并且跟很重要。为了理解，测量，并减少这个误差，研究者对抽样调查中可能存在的误差，逐渐构建了一个独立的，统领性的概念框架：「total survey error framework」(Groves and Lyberg 2010)。尽管这个框架从 1940 年代就开始形成，我认为，它依然为我们对数字时代的调查型研究提供了两个有用的思想。

首先，整体性调查误差框架指出，主要有两种误差：bias（偏差）和 variance （方差）。大体上说，bias 是系统性误差，variance 是随机性误差。举例来说，假象进行 1,000 次重复的抽样调查，然后看一看这 1,000 次调查结果的分布情况。Bias 就是这些重复调查估测的平均值与真实值的差。Variance 是这些估测的变化程度。如果其他都一样，我们会倾向于选择一个没有误差，方差很小的调查方式。不幸的是，对于很多实际问题，这种无误差、小方差的估测方式是不存在的。这将研究者推向一个尴尬的位置，必须在偏差与方差之间进行权衡。有些研究人员本能的倾向于无偏差的方式，但一股脑的关注于偏差会导致错误的结果。如果研究的目标是给出一个经可能与真实值接近的估测，那你最好选择一个有小偏差小方差的方式，而不是选择一个无偏差大方差的方式 (图 3.1)。也就是说，整体性调查误差框架指出，当评价一个调查型研究的方法时，我们最好同时考虑偏差与误差。

图 3.1

图 3.1： bias（偏差）和 variance （方差）。理想情况下，研究人员希望有一个无偏差、低方差的估计方式。但实际上，他们常常需要在偏差和方差之间权衡。尽管有些研究人员本能的倾向于无偏差的方式，但有时低偏差、低方差的方法会得到更准确的估计。

其次，整体性误差框架告诉我们，误差来源主要有两种：访谈人群（代表性）以及对访谈内容的评估（衡量标准）。比如说，我们想估测一下法国公民对网络隐私的态度。进行这项估计有两个难点，首先，从被试提供的答案中，你需要推测出他们对网络隐私的态度，这个问题与衡量标准有关。其次，从被试们的答案推测得到的态度中，你还得将这些态度推广到问题研究的人群中去，这与代表性有关。代表性「representation」与衡量标准「measurement」，这两部分将贯穿本章。完美的抽样与辣鸡的问卷，会得到一个辣鸡的估测结果。同样的，辣鸡的抽样与完美的问卷也是如此。也就是说，一个良好的估测需要合理的表征方式与衡量标准。考虑到这些问题，接下来我将回顾研究者们在代表性与衡量标准上的一些思考。接着，展示一下这些思想是如何指导数字时代的调查型研究的。