抽樣代表性是什麼？看懂6種抽樣方法與4類偏誤的完整指南

在商業決策、學術探索乃至公共政策制定上，我們無不仰賴一份份看似扎實的研究報告。然而，這些研究的洞察，是否真能精準描繪出廣大市場、全體客戶或社會群體的真實樣貌？當研究結果宣稱適用於「全體」時，其背後的信心究竟從何而來？是什麼力量，讓一份基於少數人意見的報告，得以影響千百人的未來走向，甚至引導企業做出數十億元的投資決策？我們又該如何辨識，眼前這份看似專業的研究，是否潛藏著足以扭曲真相的致命缺陷？

一、抽樣代表性是什麼？為何它是所有可信研究的基石

任何嚴謹的實證研究，其可信度皆奠基於抽樣（sampling）這一核心環節。抽樣代表性（Sampling Representativeness）直指樣本在多大程度上，能夠準確反映其所來源的更大群體（即母體）的特徵、變異與分佈。達成代表性的主要目的，是為了實現研究的推論性（Generalizability），亦即基於樣本的研究發現，對母體做出有效推論的能力。由於對整個母體進行研究往往是不切實際且成本高昂的，抽樣因而成為一種兼具成本效益、實用性與時間效率的必然策略。

（一）定義與推論性：樣本如何反映母體真實樣貌

抽樣代表性是確保研究結果「放諸四海皆準」的關鍵。想像一下，如果您希望了解全台灣民眾對於某項政策的支持度，但卻只訪問了某一個特定縣市的居民，那麼所得出的結論恐怕難以代表整體民意。一個具有代表性的樣本，就像是母體的縮影，能以較小的規模，反映出母體的多元與複雜。這種「推論性」不僅是學術研究的追求，更是企業制定行銷策略、政府評估社會影響時，確保決策基礎穩固的重要依據。

要把抽樣代表性說清楚，必須先區分三個經常被混用的概念。它們看似相近，卻決定了一份研究能不能站得住腳：

1. 母體（Population）：研究真正想了解的完整對象群體，例如「全台灣 20 歲以上消費者」。母體界定得越模糊，後續代表性就越難檢驗。
2. 抽樣框（Sampling Frame）：實際可以抽取樣本的名單或來源，例如某個會員資料庫、電話簿或門市來客。抽樣框若與母體有落差，代表性的破口往往就從這裡開始。
3. 樣本（Sample）：最終被選入研究、實際提供資料的個體集合。樣本必須同時忠於母體與抽樣框，研究結論才有資格往母體推論。

把這三層想成同心圓：母體最大、抽樣框居中、樣本最小。抽樣代表性要問的，正是「最內圈的樣本，能不能說出最外圈母體的故事」。

（二）抽樣代表性 vs 樣本數 vs 統計顯著：三個常被混淆的概念

許多人誤以為「樣本夠大就有代表性」，這是抽樣思維中最常見的錯置。為了釐清抽樣代表性與鄰近概念的分界，以下用一張名詞比較表把核心關鍵字與容易混淆的概念並陳：

這張表點出一個關鍵：抽樣代表性回答的是「結構對不對」，樣本數回答的是「數量夠不夠」。一個有偏誤的大樣本，其價值往往不如一個小而具代表性的樣本——這也是後文《文學文摘》案例最深刻的歸納。

（三）量化與質化：對「代表性」理解的根本差異

然而，「代表性」並非一個單一且僵化的概念，其意義、達成方法與成功標準，根本上取決於研究背後的基本典範：量化研究（quantitative research）或質化研究（qualitative research）。未能深刻理解這兩者的分野，往往是導致方法論謬誤與研究結論瑕疵的根源。

量化典範追求的是統計推論（statistical generalization），目標是將樣本的數值結果外推至整個母體。因此，量化研究從人口統計學和統計學的角度來定義代表性，力求樣本成為母體的微縮複製品。換言之，量化研究的代表性，強調的是樣本在人口統計學特徵上，例如年齡、性別、收入、教育程度等，與母體的高度相似性。

與此相對，質化典範追求的是分析性推論（analytical generalization），即將研究發現推廣至一個更廣泛的理論，或是可轉移性（transferability），為其他情境提供參考。因此，質化研究從資訊豐富度（information richness）的角度來定義代表性，關注樣本能否為闡明某一現象提供足夠的深度與廣度。一個包含了最具資訊價值、能提供「豐富多樣數據」的個體，即便樣本數量不大，也可能被認為是「具有代表性」的。

學術文獻中，有時會出現看似矛盾的說法，例如一些文獻指出非機率抽樣（常用於質化研究）「不聲稱具有代表性」，而另一些文獻則主張理論抽樣等方法是具有代表性的，並允許推論。這種分歧並非矛盾，而是反映了兩種典範對「代表性」和「推論性」有著根本不同的理解。量化研究注重「廣度」與「統計外推」，而質化研究則聚焦「深度」與「理論建構」。理解此一核心區別，是研究者在設計抽樣策略時，必須優先釐清的關鍵。

二、機率抽樣有哪幾種？量化典範追求代表性的黃金標準

本章依據量化研究典範，對主要且實用的機率抽樣方法進行詳細分類介紹，協助研究者為其專案選擇最合適的工具。理解這些方法的內在邏輯，是達成抽樣代表性的第一步。

（一）機率抽樣的核心原則

機率抽樣是量化研究中實現樣本代表性的首選方法，旨在為母體中的每個單位提供一個已知的、非零的被選中機率。其核心原則是依循機率論，藉由隨機化過程消除研究者主觀選擇所帶來的系統性偏誤。正因為每個個體被選中的機率可被計算，量化研究才能據此進行統計推論，把樣本的結果外推回母體。

（二）四種主要機率抽樣方法逐一解析

機率抽樣家族中，以下四種方法在實務上最常被採用，各自對應不同的母體結構與成本條件。

1. 簡單隨機抽樣：無偏誤的起點

簡單隨機抽樣（Simple Random Sampling, SRS）是最基礎的機率抽樣方法。在這種方法下，母體中每個個體以及每個可能組合的樣本被抽中的機率完全相等。操作過程通常藉助亂數表或電腦亂數產生器來完成，確保抽樣過程的絕對隨機性。

• 優點：理論上完全無偏誤，是所有機率抽樣方法的基礎。
• 缺點：當母體非常大時，建立完整的抽樣框（sampling frame）——即包含母體所有成員的完整名單——極為困難且成本高昂；純粹的隨機可能導致某些小的次群體在樣本中完全缺席，影響整體代表性。

2. 系統抽樣：效率與風險並存

系統抽樣（Systematic Sampling）是在抽樣框中隨機選擇一個起始點後，按照一個固定的間距（稱為抽樣間距 k，計算方式為母體大小除以樣本大小）選取樣本。例如，從一份名單中每隔十人選取一人。

• 優點：操作比簡單隨機抽樣更為簡便高效，特別適用於擁有大型、有序抽樣框的情況。
• 缺點：如果抽樣框中的名單存在某種週期性規律，且該規律恰好與抽樣間距重合，則會產生嚴重的系統性偏誤，導致樣本無法代表母體。

3. 分層抽樣：確保次群體平衡

分層抽樣（Stratified Sampling）是先將母體根據某些重要特徵（如年齡、性別、地區、教育程度、收入水準等）劃分為若干個內部同質、互不重疊的子群體（稱為「層」），然後在每一層內獨立進行簡單隨機抽樣。

• 優點：確保了所有關鍵次群體在樣本中都有足夠的代表，從而提高了整體的統計精確度，並允許對不同層級進行比較分析，對於異質性高的母體特別有用。
• 缺點：需要關於母體分層變數的先驗知識，且分層設計和執行過程較為複雜，成本也相對較高。
• 分層抽樣可分為按比例分層抽樣（各層抽樣數與該層在母體中的比例一致）和非按比例分層抽樣（為研究某些較小層級而人為增加其抽樣數）。

4. 集群抽樣：廣泛分佈的策略選擇

集群抽樣（Cluster Sampling）是將母體劃分為若干個內部異質、互不重疊的群體（稱為「集群」，通常是地理區域或組織單位），然後隨機抽取若干個集群，並對被抽中的集群內所有成員進行調查。例如，若要調查全國學生的學習狀況，可以先隨機抽取數個縣市，再對這些縣市內的所有學校進行調查。

• 優點：在母體地理分佈廣泛，或難以獲得個體完整抽樣框時，能極大地節省時間和成本。
• 缺點：抽樣誤差通常高於其他機率抽樣方法，因為同一集群內的成員可能具有較高的相似性，降低了樣本的多樣性。

（三）分層抽樣與集群抽樣最關鍵的差別

分層抽樣與集群抽樣最關鍵的區別在於群體的構成。分層抽樣旨在創建內部同質的群體（例如，一個層級全是高收入者，另一個層級全是低收入者），而群體之間則具有異質性。其目標是確保每個獨特的群體都被納入樣本。相反，集群抽樣依賴於內部異質的群體，每個集群都應是整個母體的一個小型縮影（例如，一個城市街區包含多樣化的家庭）。其目標是利用現有的自然分組來提高抽樣效率。

三、非機率抽樣如何運作？質化典範用深度換取代表性

非機率抽樣不依賴隨機化原則，而是基於研究者的判斷或便利性來選擇樣本。雖然其結果不能進行統計推論，但在質化研究和探索性研究中，卻能提供無可替代的深度洞察與價值。本章拆解四種主要的非機率抽樣方法，並說明它們在何種研究情境下能展現策略性的代表性。

（一）目的性抽樣：洞察核心的精準選擇

目的性抽樣（Purposive Sampling）是一系列抽樣技術的總稱，其核心原則是研究者根據參與者與研究主題相關的特定知識、經驗或特徵，刻意地進行選擇，以獲取最豐富、最深入的資訊。這是一種策略性選擇，目的在於從較小的樣本中最大化地獲取深度理解，而非複製母體。常見的類型包括：

• 最大變異抽樣 (Maximum Variation Sampling)：刻意選取在關鍵維度上差異最大的個案，以捕捉廣泛的觀點，並識別跨越變異的共同主題，有助於探索現象的邊界。
• 同質抽樣 (Homogeneous Sampling)：選擇具有相似特徵或經歷的個案，以便深入探討某個特定次群體的內部動態，常用於焦點團體訪談，以獲取細緻的群體共識或差異。
• 典型個案抽樣 (Typical Case Sampling)：選擇能夠代表或說明「典型」或「平均」情況的個案，目的在於描繪普遍現象，而非進行統計概括。
• 極端或異例個案抽樣 (Extreme or Deviant Case Sampling)：選擇那些不尋常、偏離常態的個案，以從中學習特殊情況下的經驗或教訓，有助於突破既有認知。
• 關鍵個案抽樣 (Critical Case Sampling)：選擇一個具有特殊戰略重要性的個案，其邏輯是「如果在這裡發生，那麼在任何地方都可能發生」，從而允許進行邏輯推論，對理論的普遍性提供關鍵驗證。
• 專家抽樣 (Expert Sampling)：選擇在特定領域擁有專業知識的個體，通常用於研究的探索階段，以獲取權威見解或指導研究方向。

（二）滾雪球抽樣：觸及隱藏社群的網絡效應

滾雪球抽樣（Snowball Sampling）此技術用於尋找和招募那些難以接觸或隱藏的群體（如特定疾病患者、非法移民、次文化社群等）。研究者從幾個初始參與者開始，然後請他們推薦其他符合條件的潛在參與者，如同滾雪球般，樣本規模逐漸擴大。

• 優點：是接觸隱藏群體的有效途徑，成本效益高，尤其適用於研究敏感或私密議題的族群。
• 缺點：存在嚴重的抽樣偏誤風險，因為參與者傾向於推薦與自己相似的人，導致樣本同質化，缺乏多樣性，無法代表整個群體。

（三）配額抽樣：表面平衡下的潛在偏誤

配額抽樣（Quota Sampling）是非機率抽樣中對應於分層抽樣的方法。研究者首先根據母體的人口統計特徵（如性別、年齡）確定配額，然後以非隨機的方式（通常是便利抽樣）尋找符合各配額條件的參與者，直到額滿為止。例如，要求訪問50位20-30歲女性，50位20-30歲男性，以此類推。

• 優點：在市場調查和民意測驗中，能夠快速且低成本地確保樣本在某些特徵上與母體比例一致，提供表面上的平衡。
• 缺點：在每個配額內部，選擇過程並非隨機，因此存在嚴重的選擇偏誤，無法保證樣本的整體代表性，研究結果的可靠性較低。

（四）便利抽樣：快速但謹慎的探索工具

便利抽樣（Convenience Sampling）是最簡單但嚴謹性最低的方法，研究者選擇最容易接觸到的個體作為樣本（如街頭攔訪、對自己的學生進行調查、網路問卷在社群媒體分享）。

• 優點：極其快速、廉價、易於實施，適用於初步的探索性研究、方法測試（先導研究）或資源受限的專案。
• 缺點：極易產生偏誤，樣本幾乎肯定不具有代表性，研究結果的推論性極低。其發現僅能作為初步參考，不宜做廣泛推論。

（五）四種非機率抽樣方法總覽比較

機率抽樣與非機率抽樣的分野，本質上對應的就是量化研究與質化研究兩種典範的方法論選擇；釐清研究問題屬於哪一典範，才能挑對抽樣家族。

四、抽樣偏誤有哪些類型？4大危機如何讓樣本失去代表性

抽樣過程中的任何瑕疵都可能嚴重威脅研究的有效性與可信度。其中，樣本代表性不足和樣本數不足是兩個最主要的問題，它們分別從「質」和「量」兩個層面破壞研究的根基。本章聚焦於「質」的層面——抽樣偏誤如何讓樣本不再是母體的鏡子。

（一）抽樣偏誤的系統性扭曲：當樣本不再是母體的鏡子

抽樣偏誤（Sampling Bias）是一種系統性誤差，指由於抽樣方法或過程的缺陷，導致母體中某些成員比其他成員更有可能被選入樣本，從而產生一個不具代表性的樣本。這是一種系統性的、非隨機的錯誤，其後果是災難性的，它會讓研究結果與真實情況產生嚴重偏差。

（二）4大常見抽樣偏誤類型剖析

以下是幾種常見的抽樣偏誤類型，它們可能單獨或共同作用，扭曲研究結果，導致樣本無法真實反映母體：

• 覆蓋不足偏誤 (Undercoverage Bias)：當抽樣框未能涵蓋母體的所有部分時發生。例如，僅進行線上問卷調查，會系統性地排除那些沒有網路接取能力的老年人或低收入群體，導致樣本無法代表整個社會，特別是在數位落差依然存在的地區。
• 無回應偏誤 (Non-response Bias)：當拒絕參與研究的人與參與研究的人在關鍵特徵上存在系統性差異時發生。例如，一項關於工作壓力的調查，壓力最大的員工可能因為沒有時間或心力而最不可能回應問卷，從而導致研究低估了整體的壓力水平。
• 自願者偏誤 (Self-Selection Bias)：當參與者是自願加入研究時，這種偏誤尤其普遍。通常，那些對主題有強烈意見、特定動機或更多時間的人更可能參與。例如，一項關於憂鬱症的研究，可能只吸引到那些願意公開討論自己狀況的人，而忽略了那些因病恥感而沉默或不願被標籤化的患者。
• 倖存者偏誤 (Survivorship Bias)：當抽樣過程只關注那些成功「存活」下來的個案，而忽略了失敗的個案時發生。例如，在商業研究中只分析成功的公司，會得出過於樂觀的成功因素結論，因為那些採用同樣策略但已倒閉的公司被排除在樣本之外。這會讓人錯誤地歸因成功原因，而忽略失敗的關鍵因素。

（三）歷史警示：1936年《文學文摘》的慘痛教訓

抽樣偏誤的直接後果是產生一個系統性失真的樣本，這個樣本無法反映母體的真實情況。這條因果鏈最終摧毀了研究的外部效度（External Validity），即研究結果的推論能力。1936年美國《文學文摘》（Literary Digest）的總統選舉預測是一個經典的警世案例。該雜誌寄出大量問卷，回收了超過200萬份，樣本規模巨大，但其抽樣框主要來自電話簿和汽車登記名冊。在當時，擁有電話和汽車的人群普遍更為富裕，因此樣本嚴重偏向高收入階層。最終，該雜誌預測蘭登將大勝羅斯福，而實際結果恰恰相反。這個案例雄辯地證明，一個巨大的、有偏誤的樣本，其價值遠不如一個規模較小但具有代表性的樣本，也凸顯了抽樣偏誤對研究結論的毀滅性影響。

五、抽樣代表性常見的6個錯誤與解法：實務避坑指南

理解了機率、非機率抽樣與偏誤類型後，更實用的問題是：研究者在實際操作抽樣時，最常踩到哪些坑？以下歸納 6 個高頻錯誤，並各自附上對應的解法，幫助你在設計抽樣計畫時提前避開風險。

（一）錯誤一：用樣本數大彌補代表性不足

許多研究者相信「樣本夠多就準」，於是把資源全押在衝高回收量上。但《文學文摘》的教訓正好相反：200 萬份問卷敵不過抽樣框的系統性偏斜。解法：先檢查抽樣框是否涵蓋母體所有關鍵次群體，確認結構無偏後，再以檢定力分析決定合理樣本數，而非盲目放大數量。

（二）錯誤二：抽樣框與母體錯位

把手邊現成的名單（會員資料庫、過往來客）直接當成母體，是覆蓋不足偏誤的溫床。解法：明確寫下母體定義，逐一比對抽樣框是否遺漏特定族群（如無網路族群、未消費的潛在客戶），必要時混用多個抽樣框互補。

（三）錯誤三：把便利抽樣的結論當成普遍真理

街頭攔訪、社群問卷取得的便利樣本，常被誤用於推論全母體。解法：便利抽樣僅適用於先導研究與探索性目的，發布結論時應明確標註其推論限制，避免讓讀者誤以為結果可推及整體。

（四）錯誤四：忽略無回應與自願者偏誤

只看「誰回答了」，卻不問「誰沒回答、為什麼」。解法：追蹤回應率，比較回應者與未回應者在已知特徵上的差異；設計多元發送管道、適度提供誘因與多次提醒，降低系統性的缺席。

（五）錯誤五：只分析成功個案，落入倖存者偏誤

在商業研究中只研究成功品牌，得出的「成功因素」往往經不起檢驗。解法：在研究設計階段就主動納入失敗或退出的個案，讓樣本同時包含「存活者」與「未存活者」，才能分辨真正的關鍵變數。

（六）錯誤六：質化研究硬套統計代表性標準

用「樣本數太少、不具代表性」來否定質化研究，是典範錯置。解法：質化研究以資料飽和與資訊力量判斷樣本適足性，評估時應檢視其抽樣策略與飽和過程是否透明，而非套用統計外推的尺規。釐清這一點，正是設計嚴謹市場調查研究時必須先建立的方法論共識。

六、樣本數該收多少？統計檢定力與資料飽和的判斷準則

樣本數不足是從「量」的層面破壞研究根基的問題，但量化與質化兩種典範，對「多少才夠」有截然不同的判斷邏輯。本章先談量化研究的統計檢定力，再談質化研究的資料飽和，最後提供常見方法的樣本規模參考。

（一）量化研究：樣本數不足如何侵蝕統計檢定力

在量化研究中，即使抽樣方法是無偏的，樣本數不足也會導致嚴重的問題，核心在於統計檢定力（Statistical Power）的喪失，進而影響研究結論的可靠性。

1. 統計誤差的雙面刃：第一型與第二型錯誤

在假設檢定中，研究者面臨兩種潛在的錯誤，如同雙面刃般可能誤導結論：

• 第一型錯誤 (Type I Error, 假陽性)：當虛無假設（H0）為真時，研究卻錯誤地拒絕了它。這意味著研究者錯誤地宣稱存在一個效應或差異，但實際上並不存在。犯此錯誤的機率用 α 表示，即顯著性水準（通常設定為0.05），意即我們願意承擔5%的機率犯下假陽性錯誤。
• 第二型錯誤 (Type II Error, 假陰性)：當虛無假設為偽時，研究卻未能拒絕它。這意味著研究未能偵測到一個真實存在於母體中的效應或差異。犯此錯誤的機率用 β 表示，等於1減去統計檢定力，代表著錯失重要發現的風險。

2. 統計檢定力：偵測真實效應的關鍵

統計檢定力被定義為正確地偵測到一個真實效應的機率，其計算公式為 1−β。換言之，它是避免犯下第二型錯誤的機率。學術界的慣例是，一項研究應至少有80%的統計檢定力，這表示研究有八成的機會偵測到真實存在的效應。當統計檢定力不足時，研究結果即便顯示「無顯著差異」，也可能僅僅是「未能發現」而非「不存在」，造成有價值的發現被埋沒，資源遭到浪費。

3. 樣本數與估計精確度：信賴區間的考量

樣本數也是影響估計精確度的直接因素。較大的樣本數會產生較窄的信賴區間（Confidence Interval）。信賴區間是指一個我們有特定信心程度（如95%）認為母體真實參數會落入的範圍。區間越窄，代表我們對母體參數的估計越精確。例如，若要估計男性平均身高，從10人樣本中得到的95%信賴區間可能是165公分到185公分，而從1000人樣本中得到的區間則可能縮小到174.5公分到175.5公分，後者顯然提供了更精確、更有價值的資訊。因此，足夠的樣本數對於提升量化研究結果的精確度至關重要。

4. 倫理省思：不足與過剩的樣本數

樣本數的決定不僅是一個統計問題，更是一個深刻的倫理問題。一項檢定力不足（樣本數過小）的研究是不道德的，因為它讓參與者承擔了研究的風險和不便，卻幾乎沒有機會產生確鑿、有價值的科學知識。這不僅是資源的浪費，也對參與者權益的不負責任。反之，一項檢定力過剩（樣本數過大）的研究同樣不道德，因為它浪費了寶貴的資源，並讓超出必要數量的參與者暴露在研究環境中，可能造成不必要的負擔。因此，在研究開始前進行檢定力分析以估算適當的樣本數，不僅是確保研究有效性的方法論步驟，也是履行研究倫理責任的基本要求。

（二）質化研究：樣本規模與資料飽和原則的藝術

在質化研究中，樣本規模的適足性並非由預設的數字決定，而是由一個核心原則——資料飽和（Data Saturation）——來判斷，這是一門追求深度而非廣度的藝術。

1. 資料飽和：超越數字的深度理解標準

資料飽和是指在資料收集過程中，持續收集新的資料已不再能產生新的主題、洞見或理解的那個時間點。此時，研究者會反覆聽到相同的評論、觀察到重複的行為模式，這意味著關於研究問題的資訊已經達到了冗餘狀態。一旦達成資料飽和，繼續增加樣本數量通常不會為研究帶來更多新的理解，反而是對時間和資源的浪費。

2. 5種飽和類型：從資料到理論的層次推進

飽和並非單一概念，而是具有不同層次的複雜結構，理解其細微差別是展現專家級研究能力的關鍵：

• 資料飽和 (Data Saturation)：最基礎的層次，指新的資料只是在重複先前已收集到的內容，沒有新的資訊出現。這是判斷何時停止資料收集的初步標準。
• 編碼飽和 (Code Saturation)：在分析過程中，不再有新的編碼（codes）從資料中浮現，現有的編碼簿（codebook）趨於穩定，所有重要概念都已被識別和歸類。
• 主題飽和 (Thematic Saturation)：在分析過程中，不再有新的主題（themes）從資料中湧現。這意味著研究者已充分掌握了核心概念及其彼此的關係。
• 意義飽和 (Meaning Saturation)：一個更深的層次，指研究者對已識別出的主題的內涵、細微差別和維度已有了充分的理解，新的資料無法再提供更深入的見解。這代表對研究現象的深度解析已趨於完善。
• 理論飽和 (Theoretical Saturation)：源自紮根理論（Grounded Theory），這是最嚴謹的飽和形式。它指的是構成理論的核心類別及其屬性和維度都已得到充分發展，新的資料無法再對這個新興的理論提供任何進一步的闡述。理論飽和是透過理論抽樣（theoretical sampling）——一個資料收集與分析同步進行、相互引導的迭代過程——來達成的。

宣稱達到飽和需要一個透明的過程。研究者必須詳細記錄他們如何迭代地收集和分析資料，以及如何判斷已達到資訊回報遞減的點。這不僅是決定停止資料收集的標準，也是證明研究嚴謹性的重要步驟。

3. 影響樣本規模的資訊力量要素

質化研究樣本規模的決定也受到「資訊力量」（information power）概念的影響。如果一個研究的目標狹窄、樣本高度特定且資訊豐富、使用了成熟的理論框架、訪談對話品質高，以及分析策略集中，那麼較小的樣本規模也可能足夠。反之，若研究目標廣泛、參與者背景多元、理論框架尚待發展，則可能需要更大的樣本數來達到飽和。

（三）實踐指引：常見質化方法樣本規模區間參考

雖然飽和是指導原則，但在研究設計和計畫申請階段，研究者仍需提供一個預計的樣本規模。以下是根據文獻整理的常見質化研究方法的樣本規模參考區間。必須強調，這些是基於經驗的啟發式指引，而非硬性規定：

• 深度訪談（一般性）：常見的建議範圍在15至30名參與者之間。有研究指出，在訪談約20人後，通常很少有全新的資訊出現。一些研究甚至發現，基本的編碼飽和在9至12次訪談內即可達成。
• 現象學研究 (Phenomenology)：旨在深入理解特定「生活經驗」。建議的樣本規模通常在5至25名參與者之間，重點在於獲取每個參與者的豐富且獨特的經驗描述。
• 紮根理論 (Grounded Theory)：需要足夠的樣本來發展一個理論。建議範圍通常是20至30人，但根據理論的複雜性，也可能多達50人，因為理論建構需要不斷地比較和分析。
• 個案研究 (Case Study)：樣本規模可以從一個單一的、關鍵的個案（N=1）到多個個案不等，完全取決於研究問題的範疇，重點在於對個案進行全面的、脈絡化的深度探討。
• 焦點團體 (Focus Groups)：樣本規模通常以團體的數量來討論。根據參與者的同質性和主題的複雜性，飽和通常在3至5場團體討論後達成，每組通常有6-10名參與者。質化抽樣與焦點團體訪談的設計緊密相連，群體組成是否同質直接影響飽和速度。

從典範驅動到透明問責：抽樣計畫的決策心法

抽樣策略的選擇是研究過程中至關重要的智識決策，而非單純的技術步驟。這項決策必須由研究問題及其背後的探究典範所驅動。一個關於盛行率的量化問題，要求採用機率抽樣以確保統計代表性；一個關於生命經驗的質化問題，則要求採用目的性抽樣以確保資訊代表性。選擇錯誤的抽樣方法，無異於在錯誤的道路上奔跑，無論多麼努力，都無法抵達正確的終點。

最終，無論選擇何種方法，任何研究的可信度都取決於研究者能否為其抽樣決策提供清晰、透明且穩健的理據。這包括明確定義母體、詳細說明抽樣框和選擇過程、承認潛在的偏誤，以及在質化研究中，描述達成飽和的過程。這種透明度是嚴謹、可辯護且經得起學術檢驗的研究的最終標誌。一個精心設計的抽樣計畫不僅是達成有效結論的工具，更是對科學誠信與行動價值的承諾，這也是系統化市場調查研究要解的根本課題——如何在資源限制下，設計出既嚴謹又具行動力的抽樣方案。

文章摘要與常見問題：