抽樣偏差（Selection bias）

制伏資料偏誤

Konstantinos Kattidis

Data Analytics Lead

什麼是抽樣偏差？

當用於分析的資料以系統性偏袒特定個人、群體或特徵的方式被選取時所引入的偏差

因此，取得的樣本無法代表欲分析的母體

接下來看看五種常見的抽樣偏差類型

1. 抽樣偏差（Sampling bias）

• 當抽樣方法不公平或不隨機時，會產生抽樣偏差
• 它源自我們取得樣本的方式，可能導致發現難以或無法推論到整體母體
• 例如：
  • 電商平台用便利抽樣分析顧客滿意度
  • 結果可能無法反映全部顧客的看法

2. 覆蓋不足偏差（Undercoverage bias）

• 以網路消費者為目標的市調，排除了沒有網路的人
• 覆蓋不足偏差顯示樣本中某些群體代表性不足
• 與抽樣偏差不同之處在於它著重於特定群體的代表性，而非抽樣方法本身的隨機或公平性

3. 不回覆偏差（Non-response bias）

當選擇不參與調查或研究的人，與參與者系統性不同時，就會產生不回覆偏差

• 在員工滿意度調查中，不滿意的員工較不願意參與
• 這會導致對士氣的評估過於樂觀

4. 自我選擇偏差（Self-selection bias）

• 自我選擇偏差出現在個體自行決定參與研究或提供回饋時
• 例如：
  • 顧客自願參加滿意度調查
  • 其看法未必代表更廣泛的顧客群
  • 進而扭曲整體觀感

5. 倖存者偏差（Survivorship bias）

只把成功的個體納入分析時發生

例如：

• 僅分析成功的產品發表，而未考量失敗案例
• 會導致偏差見解，忽略造成失敗的關鍵因素

建立整體理解

• 多種偏差互相影響並不罕見，會讓分析更複雜
• 例如，顧客滿意度調查可能同時出現自我選擇偏差與不回覆偏差

一起來練習吧！

制伏資料偏誤