友情提示：如果本网页打开太慢或显示不完整，请尝试鼠标右键“刷新”本网页！
统计数字会撒谎-第2部分
快捷操作: 按键盘上方向键 ← 或 → 可快速上下翻页 按键盘上的 Enter 键可回到本书目录页 按键盘上方向键 ↑ 可回到本页顶部! 如果本书没有阅读完，想下次继续接着阅读，可使用上方 "收藏到我的浏览器" 功能 和 "加入书签" 功能！
会向陌生人承认自己不经常刷牙吗？这个统计资料只能对那些希望了解人们如何看待刷牙的人才有价值，却根本不能反映牙刷接触牙齿的频率。
我们知道，除非在某处安装了泵站，否则一条河流永远不可能高于它的源头。同样的，根据样本得到的结论不会比样本更精确。当数据经过层层统计处理，最后简化为一个带小数点的平均数时，结论似乎闪耀着精确的光芒，但只要再仔细留心整个抽样过程，这个光芒就会消逝。
为了确保结论有价值，根据抽样得出的结论一定要采用具有代表性的样本，这种样本才能排除各种误差。这就是耶鲁的收入数据失真的原因，它也是你在报纸和杂志中读到的许多资料根本不值一提的原因。
内在有偏的样本（4）
一位心理医生曾经写道：实际上每个人都有点神经质。暂且不去管这种提法是否破坏了“神经质”一词的含义，我们来看看这个医生的样本，也就是说，他观察了哪些人才得到了上述结论？事实上，他是在对他的病人进行研究后才得到了这个发人深省的结论，这和代表全体人的样本可差的是十万八千里。想想看，如果一个人心理健全，他是永远都不会接受心理医生的治疗的。
对你所读到的东西多思考一下，你将避免接受许多似是而非的结论。
记住下面这点是有益的：无形的误差与有形的误差一样容易破坏样本的可信度。也就是说，即使你找不到任何破坏性的误差来源，但只要有产生误差的可能性，你就有必要对结果保留一定的怀疑。事实上误差总是存在，如果你仍旧半信半疑，想想1948年和1952年的美国总统大选，它们已足够证明这一点。（1948年美国选举时，所有民调都显示###党的杜威会获胜，结果却是杜威败给了共和党人杜鲁门，这是美国历史上至今最大的“选举惊奇”。1952年美国大选，新闻传媒普遍看好###党竞选人史蒂文森，最终共和党候选人艾森豪威尔以绝对优势赢得这场选举。）
更远的例子可以追溯到著名的《文学文摘》（Literary Digest）的惨败，这件事发生在1936年。曾经准确预测了1932年美国大选的1000万个电话用户和《文学文摘》订户，他们又对1936年的大选结果进行了预测，他们向那个倒霉的杂志编辑信誓旦旦地保证：兰登（Landon）将在竞选中脱颖而出，并且与罗斯福（Roosevelt）的所得票数之比为370∶161。这样一个久经考验的调查群体怎么可能产生误差呢？但的确有误差，正如后来许多大学论文和其他史学分析人员所发现的，1936年就有能力购买电话和订阅杂志的人并不能代表所有的选民，至少在经济上，他们是一个极特殊的群体，是有偏的，后来证实他们中的许多人是共和党的选民。该样本选择了兰登，而全国选民却心系罗斯福。
最基本的样本是随机样本，它是指完全遵循随机原则从总体中选出的样本。总体即形成样本的母体。把索引卡片文件夹中每隔10个的名字抽出来，从许多纸张中任意抽出50张，在皮卡迪利大街译者注：皮卡迪利大街是英国伦敦市一条繁华的街道。每遇见的第20个人作为访问对象。（但需要注意的是，在最后一个例子中，总体并不是全世界的人，也不是全体英国人或者所有旧金山人，而只是当时在皮卡迪利大街上的人。一个进行民意调查的访问员宣称，她选择在火车站进行调查的原因是“在那里能遇到所有类型的人。”不过，不得不向她指出的是，某些人比如婴儿母亲的代表性并不足。）
随机样本的检验方法是：总体中的每个名字或每个事物是否具有相同的几率被选进样本？纯随机样本是惟一有足够把握经受统计理论审查的样本。但它也有不足之处，在很多情况下，获得这种样本的难度很大并且十分昂贵，以至于单纯考虑成本就会排除它。分层随机抽样是一个更经济的替代品，目前在民意调查和市场研究等领域中得到了广泛的应用。
为了获得分层抽样下的随机样本，你需要将总体按照事先已知的优势比例划分出不同的组。这时你就可能遇上麻烦：关于分组比例的信息可能并不正确。你对访问员进行指导，以确保他们调查到一定数量的黑人，按照这样或那样的比例调查属于不同收入阶层的人，调查一定数量的农民，等等。同时，每一组人中40岁以下和40岁以上的人数相同。书 包 网 txt小说上传分享
内在有偏的样本（5）
这听上去很不错，但实际上会怎样呢？在黑人还是白人的问题上，大部分时候访问员能够准确判断。但在收入分组时，他会出很多错。至于农民，你如何划分一个在城镇上班又有部分时间种地的人？即便是岁数的问题也会引起差错，为了确保准确性，访问员会挑选那些看上去明显小于40岁或明显大于40岁的人进行调查。在这种情况下，由于缺少40岁左右的人而导致样本有偏。你不可能获得可靠的结果！
除此之外，你如何在各层内部获得随机样本呢？最有效的办法是准备好每一层内部所有单位的名单，并调查那些被随机抽中的单位。当然，这耗资不菲。于是你转而进行街头调查，但由于遗漏了那些窝在家里的人而变得有偏；你在白天挨家挨户地上门调查，又把大部分上班族给弄丢了；转而改成晚上访问，又忽略了那些看电影和去夜总会的人。
民意调查最终将演变为一场与误差的持久战。所有信誉良好的调查公司始终战斗在第一线。调查报告的读者应谨记这点：这场战斗永远不可能取得胜利。在看到“67％的英国人反对”某事或其他类似的字眼时，应保留这样一个问题：67％的哪部分英国人？
阿尔弗雷德？C？金西（Alfred C。 Kinsey）博士近期出版的《男性卷》和《女性卷》也存在这个问题。书中的人虽然已经证实了是不折不扣的新潮人物，但是由于抽样过程与随机抽样实在差得太远，调查结果仍然受到了质疑。抽样名单包含了太多接受过大学教育的人（女性中该比例达到75％）和服刑人员，这已经够糟糕的了，但是更严重的缺陷是样本极有可能严重偏向于有自我宣传性行为倾向的人，而且人们很难察觉到这个缺陷。当谈论的主题与性有关时，那些沉默寡言的、对着满怀希望的访员说不，并对于那些将自己从样本中淘汰出局的人，他们与主动站出来说出全部的家伙在性行为上存在很大的差异。
布鲁克林学院（Brooklyn College）的A？H？马斯洛夫（A。 H。 Maslow）所作的一项研究表明：上述推断不仅仅是猜测。他的研究样本中包括了许多女学生，后来她们都主动参加了金西博士的访谈。马斯洛夫发现：一般而言，这些女孩子在关于性的问题上观念更开放而且有更多的经历。
当我们阅读金西的书，或者阅读任意一个近期关于性行为的研究成果时，关键的问题在于如何理解它，才能避免学习到一些根本就不是那么回事的东西。在任意一个基于抽样的研究中，这个问题都十分严重，当你将你的“大部头”或者主要的研究报告采用通俗的手法进行概括时，这个问题会更加严重。
首先，在与金西相类似的工作中，至少包含了3次抽样。正如以前所指出的，从总体中抽出的样本（第一次抽样）远不能称为随机抽样，因此可能对所有的总体都不具备显著的代表性。同样重要的是，我们还需要了解到：任何一个调查问卷都只不过是所有相关问题的样本（第二次抽样）。而绅士或者女士们所给的答案也只不过是他（或她）关于每个问题的态度或者经历的样本（第三次抽样）。正如在其他调查中发现的那样：由哪些人组成调查人员会对结果产生有趣的影响，金西的调查也可能如此。二战期间，美国民意调查中心（The National Opinion Research Center）派出了两组调查人员对某南方城市的500名黑人进行提问，问题只有3个。一组调查人员由白人组成，另一组是黑人。
内在有偏的样本（6）
其中一个问题是：“如果日本占领美国，你认为黑人的境况会得到改善还是变得更糟？”黑人组成的调查组，9％的被调查者回答“变好”，而白人调查组该比例只有2％。回答“变坏”的比例也不相同，黑人调查组只有25％，而白人调查组则达到45％。
用“纳粹分子”替代“日本”，两组的结果大体相同。
第三个问题试图探测被访者的真实态度，这种态度以前两个问题所表现出来的感受为基础。“你认为目前致力于打败轴心国（the Axis）比在国内进一步推进###更重要吗？” 在黑人组成的调查组中，选择“打败轴心国”的比例是39％，而白人组成的调查组则是62％。
这是由莫名因素造成的误差，恐怕其中最重要的因素是被调查者###对方说好话的倾向，当我们在阅读调查结果时必须考虑到这一点。在战争时期回答一个暗含是否忠诚的问题时，一个南方黑人对白人说了一些听起来不错但并不代表他真实想法的话，这不是很正常吗？当然，区别的起因也可能在于不同的调查人员选择了不同的对象进行交谈。
在上述例子中，结果如此明显有偏而导致毫无价值。你可以试着自己分析还有多少民意调查的结论，虽然并无有效的方法揭露它们，但却同样有偏，同样无价值。
一般而言，民意调查都带有一定方向的误差。就像前文所举《文学文摘》例子的偏差一样，如果对此表示怀疑，你还可以找到许多恰当的例子来证明。在《文学文摘》的例子中，与希望代表的全体选民相比，由于偏向了比平均选民收入更高、受过更多教育、信息面更广、反应更快、举止优雅、行为保守、更多固定习惯等特点的群体，而产生了误差。
为什么会这样呢？下面的例子将有助于你理解这一点。假设你是一个被分配到街道某个角落进行调查的人员，有两个看上去符合调查要求的人——年龄大于40岁的黑人农民——向你走来，一个人穿着干净###，上面打着整齐的补丁，感觉整洁清爽，而另一个人看上去肮脏、态度粗暴。为了完成工作，毫无疑问你会向更加符合要求的人走过去，而遍布城市其他角落的你的同事也会做出同样的抉择。
一些反对民意调查的最强烈的情绪来自于自由主义者或是左翼集团，他们普遍认为这些调查都是人为操纵的。这种观点背后的事实是：民意调查结果经常与那些思想开放人士的观点和意愿不相符合。他们指出，民意调查的结果选择了共和党人，但不久之后选票者却做出了相反的选择。
但实际上，正如我们前面所看到的，民意调查并不一定是###纵了，也就是说，并不一定要为了制造假象而恶意扭曲结果。样本有偏的趋势本身就可以自动地操纵结果，使其变得扭曲。
本章小结：
◆为了确保结论有价值，根据抽样得出的结论一定要采用具有代表性的样本，这种样本才能排除各种误差。
◆无形的误差与有形的误差一样容易破坏样本的可信度。也就是说，即使你找不到任何破坏性的误差来源，但只要有产生误差的可能性，你就有必要对结果保留一定的怀疑。
◆最基本的样本是随机样本，它是指完全遵循随机原则从总体中选出的样本。总体即形成样本的母体。
◆随机样本的检验方法是：总体中的每个名字或每个事物是否具有相同的几率被选进样本？
纯随机样本是惟一有足够把握经受统计理论审查的样本。但它也有不足之处，在很多情况下，获得这种样本的难度很大并且十分昂贵，以至于单纯考虑成本就会排除它。分层随机抽样是一个更经济的替代品，目前在民意调查和市场研究等领域中得到了广泛的应用。
◆一般而言，民意调查都带有一定程度的误差。
。 最好的txt下载网
精心挑选的平均数（1）
第二章 精心挑选的平均数
我相信你不是一个势利小人，而我也并不做房地产生意。但请让我们作这样的假定，并且假设，此刻你正在一条我熟知的街上看房子。对你的情况进行了初步判断后，我巧舌如簧、费尽心思地让你相信附近居民的平均年收入大约有10000英镑。也许这坚定了你要在此居住的信心，不管怎样，买卖最终成交了，那美妙的数字也被牢记在你的脑海。而且，既然你已经买下了房子——你有那么一点势利，当与朋友聊天时，你就会不经意地流露出你居住的地点：我住在一个相当棒的高收入小区。
一年左右过后，我们又见面了。作为某纳税者委员会的成员，我正在四处奔走，为降低税率、降低财产估价，或降低公共交通费用而呼吁。我的理由很简单，我们支付不起各种上涨的费用，毕竟，附近居民的平均年收入只有2000英镑。也许你会加入到我们委员会的工作中来——你不仅势利，而且还挺吝啬。但是，当听到那可怜的2000英镑时，你也禁不住大吃一惊。到底是我现在撒谎了呢？还是一年前撒了谎？
其实这两次你都无法怪罪于我，利用统计撒谎的妙处被展现得淋漓尽致。无论是10000英镑，还是2000英镑，它们都是正规的平均数，计算方法也完全正确。两个数字都基于相同的数据，来自相同的居民，根据相同的收入。所有都是相同的，但显然其中有一个数据令人误解，足以与弥天大谎相媲美。
我的花招就是两次分别使用了不同的平均数，“平均数”这个词宽泛的涵义帮了大忙。当一个家伙希望用数据影响公众观点，或者向其他人推销广告版面，平均数便是一个经常被使用的伎俩，虽然偶尔是出于无心，但更多的时候是明知故犯。所以，当你被告知某个数是平均数时，除非能说出它的具体种类——均值，中位数，还是众数，否则你对它的具体涵义仍知之甚少。
在希望数值较大时，我使用的10000英镑是均值，也就是附近居民收入的算术平均数。你只要将所有家庭的收入加起来并除以家庭总户数便可得到这种算术平均数。数值相对较小的是中位数，它告诉我们一半家庭的年收入超过2000英镑，另一半家庭的年收入不及2000英镑。我还可以利用众数——所有家庭收入序列中出现次数最多的那个收入。例如，附近的居民中年收入为3000英镑的家庭数是最多的，那么收入的众数就是一年3000英镑。
在这个例子中，不合适的“平均数”实际上是毫无意义的，只要碰到关于收入的数据，这种情况就经常出现。还有一个因素会让我们困惑不已——某种条件下，各种类型平均数的数值十分接近，如果出于一般的目的，根本没有必要区分它们。
比方说，当你看到某个原始部落男性的平均身高为5英尺时，你对这些人的外形条件就能有很好的了解，根本不需要进一步询问这个平均数是均值、中位数或者众数，因为此时各种平均数的数值大致相等。（当然，如果你正在为非洲人赶制一批###，那么就需要比平均数更多的信息，你要用到全距和标准差，这些我们将在下一章进行介绍。）
在处理诸如人类特征的数据时，各种平均数的数值十分接近。这些数据具有我们常说的正态分布的形态特点，在你用###绘制正态分布时，将看到一根钟形的###，均值、中位数和众数都落在相同的点上。书包 网 。 想看书来
精心挑选的平均数（2）
在描述人类身高时，用哪种平均数无关紧要，但在描述他们的钱袋时，却并不是那么回事儿了。如果把某个城市所有家庭的年收入都列出来，你会发现，这些数从很小的值变动到很大的数，也许有20000英镑左右，甚至还能看到少数巨额收入。年收入低于5000英镑所占的比例超过了95％，在收入###上朝左边拖出了一条长长的尾巴。这种分布不再像钟形一样对称，而是有偏的，它的形状类似于孩子玩的滑梯，梯子一侧是陡斜地升到顶部，而滑道一侧则缓慢向下倾斜。均值与中位数相差甚远，这样一来，比较去年的“平均数”（均值）与今年的“平均数”（中位数），这种比较的有效性就不言而喻了。
在我卖给你房子所在的居民区里，两个平均数的差距如此之大，因为收入是显著偏斜的。你的邻居中大多数都是小农、在附近村庄上班的工薪阶层或是靠养老金为生的退休老人，但有3户邻居是百万富翁，他们仅仅是来此度周末。就是这3户邻居的收入提高了总收入，相应地抬高了算术平均数。这样一来，均值达到了绝大多数家庭遥不可及的水平，几乎每个人都低于平均数。虽然这听起来像是笑话或者文学修辞，但的确是不争的事实。
当你听到公司执行总裁或企业所有者宣称，在他的企业中员工的平均收入是多少时，你应该好好思考一下其中的原因。如果这个数是中位数，你可以获得一些显而易见的信息：一半员工赚得比它多，一半比它少。但如果是均值（请相信我，没有确切指出它的种类时，多半是均值），它仅仅是所有者25000英镑的高收入与全体工人低水平收入的平均数，根本没有什么意义。“平均年收入为3800英镑”既隐瞒了1400英镑的低收入，又隐瞒了所有者以巨额薪金形式抽取的高额利润。
这类似于双人拉锯——现实情况越糟，看上去却越好。在一些公司的声明中也会采用这种方法。让我们试着举个简单的例子来说明。假设你是某个小型制造企业的3个合伙人之一。这是丰收的一年，到了年底，你给企业的90个职工共发了99000英镑，他们的工作是生产、运输椅子，或者你所经营的任何东西。你和其他合伙人每人各获得5500英镑的工资；最后还余下21000英镑，作为利润可供你们3个合伙人平分。你将如何说明这种情况呢？为了便于理解，你打算采用平均数的形式。既然所有的职工从事相同的工作，获得同样的收入，对于他们来说用均值还是中位数没有区别。说明如下：
职工的平均工资…… 1100英镑
所有者的平均工资及利润…… 12500英镑
看上去太不公平了，不是吗？让我们来试试另一种形式：从利润中拿出15000英镑以奖金的形式平分给3位合伙人。这一次将包括了所有者和职工的工资进行平均，不要忘记还是采用均值，结果变成：
所有人员的平均工资或薪金…… 1403英镑
所有者平均利润…… 2000英镑
哈，看上去好多了吧。虽然还能进一步改善，但这已经有了长足的进步，总额中只有低于6％的部分形成了利润。如果乐意，你还可以继续如法炮制。但不管怎样，现在的结果已经足以作为公布的内容张贴在公告栏中，或者作为与职工谈判的依据。
因为简化，这个例子是十分粗糙的。但和以会计的名义所做的手脚相比，它简直就是小儿科。从薪水微薄的打字员到领取80万美元奖金的总裁，在这样一个等级森严的复杂公司中，所有事情都可用类似的方法进行掩盖。书包 网 。 想看书来
精心挑选的平均数（3）
因此，当你看到某个平均收入时，首先问问：是什么的平均？包括了哪些人？美国钢铁公司（the United States Steel Corporation）曾经指出：10年间，该公司职工的平均周收入攀升了107％。确实如此，但是当你注意到早期的数据包括了兼职员工时，奇妙的增长率会大打折扣。也就是说，如果你某年只工作了半年，而第二年全年都在工作，你的收入毫无疑问会翻番，但这并不意味着工资率发生了变动。
你也许曾在报纸上看到过，某年美国的家庭平均收入是6940美元。别太在意这个数字，除非你知道这个数字包括了哪些家庭，以及使用了哪种平均数。（甚至这是谁说的，他是如何获得该信息的以及这个数的准确性你都要知道。）
上述数据来自于普查局（the Bureau of the Census）。如果手头有普查局的整篇报告，你将不费吹灰之力地弄清楚所需要的其他信息。首先，这是个中位数；其次，“家庭”是指两个或更多具有亲属关系的人住在一起所形成的“家庭”。如果再回过头读一下表中的数据，你还将发现这个数据建立在抽样基础之上，该调查以19/20的概率保证真实的数值会落在估计值加减71美元的范围之内。
类似的概率和误差范围构成了一个很好的估计。普查工作者掌握了足够的统计知识和足够的财力，如果没有特殊的企图，他们能够将抽样研究结果控制在较好的精度范围之内。但并不是所有的数据都出自这种严谨的环境，也不是所有的数据会附上关于数据精确度的任何说明。在下一章，我们还将展开详细的分析。
同样，对《时代》杂志“编者的话”栏目中的某些项目，你会表示怀疑。该杂志这样描述他们的新订户：“他们年龄的中位数是34岁，家庭平均年收入为7270美元。”早期关于“旧时代”读者的调查发现，“年龄的中位数是41岁……平均年收入为9535美元……”一目了然的是，为什么两次谈到年龄时都指出采用了中位数，而关于收入却不明确平均数的类型。也许收入使用的是数值较大的均值，以达到利用高收入读者群吸引广告商的目的。
对第一章开头所提到的1924级耶鲁学生的平均收入，你同样可以提这样一个问题：这里用的是哪种平均数？
本章小结：
◆所以，当你被告知某个数是平均数时，除非能说出它的具体种类——均值，中位数，还是众数，否则你对它的具体涵义仍知之甚少。
◆在处理诸如人类特征的数据时，各种平均数的数值十分接近。这些数据具有我们常说的正态分布的形态特点，在你用###绘制正态分布时，将看到一根钟形的###，均值、中位数和众数都落在相同的点上。
◆当你看到某个平均收入时，首先问问：是什么的平均？包括了哪些人？
◆类似的概率和误差范围构成了一个很好的估计。
没有披露的数据（1）
第三章 没有披露的数据
某位统计专家曾经建议，在被告知某个调查的结果时，你需要做的就是反问一句：“为了得出这个结论，你调查了多少名被访者？”
正如以前曾指出的那样，采用严重有偏的样本几乎能够产生任何人需要的任何结果。只要样本容量足够小，或者你尝试足够多的次数，正确的随机样本也可以达到上述效果。
“用户反映使用多克斯（Doakes）牌牙膏将使蛀牙减少23％”，大字标题历历在目。你希望减少23％的痛苦，于是接着往下读。你发现这些结论出自一家信誉良好的“独立”实验室，并且还经过了注册会计师的证实。有了这些，你还想知道什么呢？
然而，如果你不是特别容易轻信他人，或者不是一个盲目乐观的人，经验将告诉你：一种牙膏很难比其他牙膏好。那么多克斯公司是怎样制造了上述结论？如果是说谎，但用大字标题报道这些谎言，他们又如何能够逃避责任呢？事实是，他们根本无需说谎，下面便是简单而有效的方法。
这里的主要把戏是不充分的样本——统计角度的不充分。但对于多克斯公司来说已经足够了。只有当你读小字体的文字时才会发现：被测试的用户仅由12人组成。单凭这点，你便不得不佩服多克斯公司，它留给你一个可能知道全部情况的机会。有的广告商索性将类似的文字都略去，留给读者——即便他是一个老练的统计专家——一个猜想：这里面到底玩了什么把戏？从这个角度来说，多克斯公司由12个人组成的样本还不算太坏。几年前，一种叫做可尼斯博士（Dr。 Cornish）的牙粉上市了，并宣传“在治疗龋齿方面获得了极大成功”，因为该牙粉中含有尿素，而经过实验室的证明，尿素对于治疗龋齿是有益的。然而，由于实验室的工作只是刚刚起步，仅仅建立在6个案例之上，毫无疑问这个结论是缺乏意义的。
下面，让我们再回头看看，多克斯公司是怎样轻易地获得一个不存在漏洞并经得起检验的标题。让规模不大的一组人连续记录6个月的蛀牙数，接着使用多克斯牙膏。之后一定会发生以下的其中一种结果：蛀牙明显增多，蛀牙明显减少，或者蛀牙数量无显著变化。如果是第一或者第三种结果，多克斯公司编档保存好，当然最好是藏在别人找不到的地方，然后重新实验。由于机遇的作用，迟早有一组被测试者将证明有很好的效果，并且这个结果足以好到作为标题直至引发一场广告战。事实上，不管实验者使用的是多克斯牙膏，还是发酵粉，或者还是继续使用原来的品牌，上述结果都会发生。
任何由于机遇产生的差异，在大样本的使用中都是微不足道的，不足以作为广告标题。例如，蛀牙减少2％将不会对销量有多大的提升作用。这更显示了使用小样本的优势。
给定一个足够小的样本，怎样才能完全依靠机遇形成毫无指导性的结论呢？这个事儿你自己也可以试试，而且几乎不费劲。让我们开始抛一枚便士，有多少次是头像朝上的呢？当然是一半的次数，这谁都知道。
好，让我们检验一下……我刚刚抛了10次，有8次头像朝上，实践证明头像朝上的概率为80％。那么，关于牙膏的数据也一样。现在，你自己试一下，也许你会得到50对50的结果，但更有可能是别的结果。你我的结论以相同的可能性偏离50对50的比例。不过，如果你有足够的耐心，抛上1000次，你基本上（虽然不一定）能得到一个接近半数的结果，它才代表了真实的概率。只有在进行了足够多次的实验后，平均数定律才是一种有用的描述，并可用来预测。txt电子书分享平台
没有披露的数据（2）
那么，多少才算够呢？这又是个棘手的问题。它取决于其他的因素，即你采用抽样方式所研究的总体容量有多大、变动程度有多大。值得一提的是，有时样本的规模与看上去的并不一致。
这里有一个典型的案例：几年前，有个小儿麻痹症疫苗实验。一个社区中有450名儿童接种了疫苗，而680名儿童作为对照组没有接种疫苗。看上去，这是个极大规模的医学实验。不久，该区域感染了流行病，在接种疫苗的儿童中，所有人都没有患上小儿麻痹症。对照组的儿童也没有发生。这是怎么了？其实在设计实验时，实验人员忽略了或者没能真正了解到该病的低发生率。一般情况下，这种规模的小组预计只会产生2名患者。因此，实验从一开始便注定是毫无意义的。也许将规模扩大到15至20倍才能产生足以具有说�
快捷操作: 按键盘上方向键 ← 或 → 可快速上下翻页 按键盘上的 Enter 键可回到本书目录页 按键盘上方向键 ↑ 可回到本页顶部!
温馨提示： 温看小说的同时发表评论，说出自己的看法和其它小伙伴们分享也不错哦！发表书评还可以获得积分和经验奖励，认真写原创书评 被采纳为精评可以获得大量金币、积分和经验奖励哦！