偏差可以通过多种方式影响调查结果。在不存在明显的无应答的情况下，基于概率的抽样是尽可能减少偏差的最佳方法。另一方面，通常认为方便抽样生成偏差样本的可能性更高。但是，即使采用随机方法，对于人的调查也可能会受制于其他类型的偏差。例如，受访者可能倾向于夸大或低估某些事物（“sensitivity bias”），特别是对一些微妙、敏感的问题。在这里，翰鲸学术辅导带大家关注与抽样相关的一些更常见的偏差来源。

数据偏差指收集的数据与目标总体真实特征之间存在的系统性差异，它会严重影响数据分析结果的准确性和可靠性。数据偏差来源广泛，主要包括以下几个方面：

一、样本选取偏差

选择偏差：在抽样过程中，若样本选取并非随机，而是倾向于特定群体，就会产生选择偏差。例如，在线调查某产品满意度，仅在产品官方网站设置问卷入口，这会导致经常访问官网且对产品有较高兴趣的用户更易参与，无法代表所有用户，特别是不满意产品而不再访问官网的用户。

幸存者偏差：关注经过筛选后的数据，忽略筛选过程中被淘汰的部分。如研究成功创业公司的模式，只关注存活并成功的企业，忽视大量失败案例，得出的结论缺乏全面性，因为成功企业的特征可能并非创业成功的普遍要素。

二、测量偏差

工具偏差：测量工具本身存在缺陷。例如，使用不准确的体重秤测量体重，每次测量值都比真实值偏高或偏低，导致收集的体重数据存在偏差。在市场调研中，若问卷设计不科学，问题模糊、有诱导性，会使受访者理解偏差，给出的答案无法反映真实想法。

观察者偏差：由数据收集者的主观因素造成。比如，调查员在记录数据时，可能因个人期望、偏好等下意识地影响受访者回答，或在观察过程中对数据的解读和记录带有主观倾向，导致数据偏离真实情况。

三、数据处理偏差

数据清洗偏差：在数据清洗阶段，删除或修正数据的规则不合理会引发偏差。例如，将看似异常但实际为真实的极端值误判为错误数据并删除，会改变数据分布，使分析结果不能反映实际情况。

数据转换偏差：对数据进行转换（如标准化、对数变换）时，若方法选择不当，可能扭曲数据关系。比如，在某些情况下不恰当使用对数变换，可能夸大或缩小变量间的差异，给后续分析带来偏差。

另外，当某些单元比其他单元更有机会被抽中时，会发生size bias。例如，在网站访问者的系统样本中，网站的频繁访问者更容易被抽中。同样，从包含电子邮件地址的抽样框中进行选择时，具有多个电子邮件的人更有可能被选为样本。