已準備好寄出您的問卷？您的首要之任務之一是定義抽樣框架，即您欲收集資料的對象群體。然而，定義問卷樣本的方式之多，很容易讓人不知所措並感到困惑，尤其是在區別樣本與調查母體方面。本指南將為您深入分析並分享現有的不同抽樣方式、其優缺點及其各自適用情況，確保您的市調之路方向正確。

當論及以問卷方式進行市調時，您可能會聽到樣本與母體兩詞交替使用，但事實上，這是兩組截然不同的個體群。母體指的是可能參與市調的潛在完整個體集合。例如，若您想針對去年推出的產品取得客戶意見，那麼母體即是每一位購買者、試用者或以其他方式與該產品進行互動的個人。而樣本則是母體之下的子群體。樣本的辨識及選取可透過數種方式進行。例如，若想了解女性客戶意見，您可聚焦於客戶人口統計資料，以性別作為抽樣策略基礎。其他特徵也可做為抽樣策略基礎，包含地理屬性或行為屬性。此外，若母體非常龐大以致於針對母體收集資料窒礙難行，您可利用隨機方式選取較小且可容易管理的樣本。

複習一下問卷詞彙，以便著手進行市調。

從母體或樣本來收集資料各有其優點。此外，您可根據經驗準則來決定何時該採用何種方式。

在理想的世界裡，當進行任何調查時，無論是品牌知名度調查或收集客戶意見資料，均應針對母體的全體來收集資料。為什麼？若母體的每位成員皆提供調查資料，您將能保證根據結果所做的推論具有母體代表性。換句話說，從母體收集資料有助您提升調查發現的有效性與可信度。 

然而，實際上，從調查母體收集資料並不總是可行。主要原因是辨識母體往往相當困難，並且要取得足夠回應以進行有效統計更是難上加難。若母體範圍已明確劃定且調查對象相對易容易掌控，那麼從母體收集資料是合理做法。例如，若您想收集員工參與度資料，您或許可採取母體方式，從人資記錄取得所有員工名單，並直接透過電子郵件傳送給每位員工。 

此外，若母體數少且合作度高或對問卷結果感興趣 (例如新服務的全部 30 位試用者)，此方式也是合理之舉。然而，若母體範圍不明確、母體數非常龐大或地理位置分散，則往往必須進行抽樣。

如果就取得有效且準確的深入分析而言，從母體收集資料是最佳方式，那麼為何要捨棄母體轉而調查樣本？簡單的答案是其必要性。有鑑於母體數量及地理分散性，調查人員鮮少能夠接觸到完整的目標群眾。假設您在商業園區經營繁忙的餐車。您想調查周圍辦公地點高階主管的午餐喜好。若要採用母體調查，您需取得完整且正確的全體員工名單，而您可能難以取得。在此類情況下，必須從母體的子群體收集資料，再將發現推論至更廣泛的母體。換言之，當您採用樣本時，您通常可假定調查發現具有代表性，足以代表您要取樣的廣泛母體。這通常可行，但並非總是如此。讓我們往下仔細探討。

當您決定採用樣本方式時，您有兩種主要抽樣策略：概率抽樣與非概率抽樣。

概率抽樣是隨機的抽樣方式

當採用此方式時，母體任一成員納入樣本的機率均等。例如，若您擁有母體清單 (稱為抽樣框架)，您可利用隨機數產生器，根據產生數值從名單逐一選取與該值對應的個體。此方式名為簡單隨機抽樣。 

另一可能方式為系統性隨機抽樣方式，例如從抽樣框架，每 10 個或 100 個個體選取一次。分層抽樣類似隨機抽樣，但前者的母體區分為具有相似屬性的若干群體。例如，根據客戶購買頻率或消費額度將其區分為若干群體。接著，採用簡單或系統性隨機抽樣流程，從各群體選取個體。此方式可協助確保最後樣本涵蓋母體的各類族群。

非概率抽樣較具選擇性

當採用此方式時，母體所有成員獲選為樣本的機率並非均等。例如，若您調查週六上午造訪網頁的所有訪客，則僅有週末進行採購的購物者有機會成為調查對象。或者，您的問卷僅寄給與您有私人關係的客戶，而略過您不熟識的客戶。這可能會引入抽樣誤差，也可能導致樣本不具母體代表性。那麼為什麼要採用此方式？儘管概率抽樣方式是理想做法，但必須取得母體清單，這雖然重要卻往往難以辦到。

如前所述，在許多情況下，您必須從樣本而非完整母體來收集資料。然而，儘管您是出於必要性考量而採取此做法，這並不代表從樣本收集資料不具多項優勢：

無論您從樣本或母體收集資料，請務必使用正確詞彙。母體與樣本方式的重要區別之一是，決定樣本大小的方法不同。如同我們在此處詳述，樣本大小是理想預估值，是您希望完成調查的目標個體數。統計與參數兩詞是彼此相關但截然不同的兩個概念，牽涉從樣本或母體收集資料。以下分別加以討論。

參數是指以完整母體所收集的資料為基礎，來衡量母體的某項特徵。舉例來說，為了提高員工動機及忠誠度，您決定將每週工作天數減為四天 (多幸運的員工！)。您向全體員工發送問卷，詢問他們偏好哪天休假。若全體員工均填寫問卷，而其中 80% 說他們偏好週五休假，那麼此數值即為該母體的參數。 

另一方面，統計是指從母體的樣本收集資料，再從該資料推論所得的發現。想像您的員工人數非常龐大，因此您決定隨機傳送問卷給具有代表性的樣本。結果大致等同於您從完整母體收集到的資料—絕大多數員工 (77%) 希望週五休假好過個長週末。就此案例而言，結果不變，但您描述結果的方式變了—77%這個數值在此情況稱為統計。為什麼您需要知道兩者之間的差異？答案在於抽樣誤差。

關於樣本，抽樣誤差是另一個您應了解的重要詞彙。簡而言之，抽樣誤差即母體參數與樣本統計之間的差異。以我們先前的範例來說，當調查完整母體的偏好休假日時，我們看見 80% 回答週五；但當調查樣本時，77% 回答週五。抽樣誤差是從母體所得的結果與從樣本所得的結果，兩者之間的差異，就此範例而言是 3%。

此範例說明了在取得樣本時，應盡可能使其具有母體代表性，這一點很重要。例如，若您僅針對兼職員工進行抽樣，且其中許多人週五從不上班，結果會如何？您獲得的結果將大不相同，且無法顯示更廣泛母體的偏好。 

目標是維持準確度並將誤差最小化。即使採用概率抽樣策略，抽樣誤差仍可能發生。這是因為即使樣本具有母體代表性，但統計的離差量度及集中趨勢 (例如平均數與標準差) 仍會有小幅差異。您的目標是將誤差降至最低。您可透過增加樣本數量來減少抽樣誤差。 

如何決定問卷的目標對象人數？設計好問卷、發出去，然後樂觀期待嗎？不全是如此。如果您能夠從您的母體收集資料，那麼這個問題就不具實際意義：理想的受眾規大小與母體規模完全相同。然而，如果您在調查樣本，則要考慮得更多一點。

首先，您需要估計母體數量。即使您沒有最新母體清單，腦中有個粗略數據仍是好點子。例如，若您想了解在您的地區，自行車騎士所感受的道路危險，您可利用次級資料估算出您的學區內有約 20,000 自行車騎士。有了這項數據之後，您可套用誤差範圍。這可用以計算結果的準確度，並以百分比方式顯示。若您願意容需許 5% 誤差範圍，這代表您預估真正的結果在您統計數值的正負 5% 範圍之內。因此，若套用 5% 誤差範圍，則 77% 樣本員工偏好週五休假，該統計結果代表實際數據可能為 72% 至 82%。

最後，您可利用樣本大小表來比較母體大小與誤差範圍，由此得知目標樣本大小的粗略估計。當然，請別忘了不是每個人都會填寫問卷！因此，若您的樣本大小是 100，那麼您會想要納入超過 100 位受試者，以達到目標受眾數量。 

進一步了解如何決定問卷所需人數。 

簡而言之，這就是從母體及樣本收集資料的差異。無論您計畫從事何種市調，第一步是探索現存所有市調問卷類型並找到最佳方案。