學科分類
統計學
學科編號
思維模型 ｜統計學005
簡介
樣本選擇的不公正，會讓結論自動失真
英文名
Selection Bias
統計學思維模型 統計類模型聚焦於不確定性和資料規律，幫助我們認識機率陷阱、避免認知偏誤，用資料客觀看待世界。
選擇偏差
Selection Bias
樣本選擇的不公正，會讓結論自動失真
簡介
選擇偏差（Selection Bias）是指：因為樣本選取方式不當，導致所得到的觀察結果無法正確代表總體，產生系統性偏誤。當樣本不是隨機抽取，而是因特定特質被挑選出來時，任何由此推導出的結論都會有偏差。
倖存者偏差就是選擇偏差的一個特殊例子——只看到倖存者而忽略失敗者。此外，還包括自我選擇偏差、志願者偏差等。
為何重要？
選擇偏差讓我們以為自己觀察到的是全貌，實際上卻只是特定條件篩選後的局部。如果不加以意識與校正，無論是研究、決策還是日常推論，都容易陷入系統性誤判。理解選擇偏差，有助於我們提升資料素養，避免基於有問題的樣本得出錯誤結論。
應用場景
- 滿意度調查與自我選擇偏差 在顧客滿意度問卷中，通常是有極端情緒（非常滿意或非常不滿意）的人更願意填寫，導致結果兩極化，不能真實反映整體客戶感受。
- 臨床試驗與志願者偏差 參加臨床試驗的志願者往往對健康更關注、生活習慣更好，因此試驗結果可能無法直接推廣到一般大眾。
- 網路評分與參與者偏差 某產品在網路上獲得極高評價，但打分的可能是忠實粉絲或早期用戶，普通消費者或中立者未積極參與評價，導致整體分數虛高。
- 學術研究與樣本限制 社會調查若僅在都市人群中進行，結果無法推論到農村地區；若只調查特定年齡層，也無法代表全體人口。
如何有效地使用？
- 檢視樣本來源與選擇方式：樣本是否隨機？有無特定群體被高估或低估？
- 增加樣本多樣性與隨機性：在設計調查與研究時，儘量覆蓋不同背景的人群
- 進行偏差校正與標準化：在分析時使用統計方法修正已知的樣本偏差
常見誤解
選擇偏差不是數據本身出錯，而是數據來源過程出錯。即使資料看似客觀、統計精美，如果來源有偏，就會全盤失真。對選擇偏差的忽視，比資料錯誤本身更危險。
啟示
選擇偏差提醒我們：問問題之前，先問「這些數據是怎麼來的？」只有認清樣本來源與篩選過程，才能從數據中提煉出真正可靠的洞見，而不是被表象迷惑。
