调查样本校准与加权原理
在问卷调查和市场研究中，由于抽样框限制、无回答偏差或便利抽样等原因，收集到的原始样本在人口统计学特征（如年龄、性别、地区等）上的分布往往与实际总体存在偏差。调查加权（Survey Weighting）是解决这一问题的标准统计方法。通过为每个受访者计算一个特定的权重，使得加权后的样本边缘分布与已知的总体基准（如人口普查数据）相匹配，从而提高调查推断的准确性。
本工具采用 Raking 算法（即迭代比例拟合算法，Iterative Proportional Fitting, IPF），自动调整受访者的个体权重，直至样本的边缘分布与设定的总体目标完全吻合。
Raking 算法与后分层的区别
当调查仅需按单一变量（例如仅按“性别”）进行调整时，校准过程非常简单。此时，工具会在单次循环中完成计算，对每个类别应用简单的“目标份额 ÷ 当前份额”进行调整。这种针对单一变量或多个变量交叉组合单元格的直接调整被称为后分层（Post-Stratification）。
然而，当需要同时校准多个不交叉的边缘分布（例如同时校准“性别”、“年龄段”和“地区”）时，后分层会面临“格子过多”的问题（即某些交叉单元格内受访者极少甚至为零）。Raking 算法通过交替迭代的方式解决了这一难题：它每次只针对一个变量的边缘分布进行调整，然后轮流调整其他变量。由于对后一个变量的调整会轻微破坏前一个变量已达成的匹配，算法会不断循环这一过程，直到所有变量的边缘分布在设定的相对容差范围内同时获得匹配。
输入数据格式与限制要求
为了确保算法能够正确解析并运行，输入的数据必须严格遵守以下格式与数值限制：
1. 受访者数据 (Respondent data)
- 格式要求：必须包含一个表头行，且每行代表一个受访者。支持制表符（Tab）、分号（;）或 CSV 逗号（,）作为列分隔符。在小数点不是点（.）的地区，建议使用制表符或分号分隔，以确保小数点保留在单元格内部。
- 限制条件：字符数必须在 2,000,000 个以内，且受访者行数最多为 20,000 行。表头至少需要两个命名的列，且表头不能为空，每个受访者数据列都需要一个唯一的表头。
- 基准权重列 (Base-weight column)：可选输入，用于指定包含初始相对权重的列。若留空，则每个人的初始权重默认为 1。该列数值必须为大于 0 的有限数。
- 结果列 (Outcome column)：可选输入，用于对比加权前后的均值变化，数值必须为有限数值。
2. 总体边缘分布 (%) (Population margins)
- 格式要求：必须包含恰好三列，依次为：变量（Variable）、类别（Category）和目标百分比（Target Percent）。
- 限制条件：目标行数最多 500 行，校准变量最多 6 个，每个变量的目标类别最多 100 个。每个变量的目标百分比总和必须恰好为 100%，且单个目标值必须在 0% 到 100% 之间（含）。样本中出现的每个类别都必须在目标表中有对应的目标值。
3. 算法控制参数
- 相对容差 (Relative tolerance)：决定算法停止迭代的精度阈值，取值范围为 1e-12 到 1e-2。
- 最大迭代次数 (Maximum iterations)：限制算法运行的最大循环次数，取值范围为 1 到 500。
偏差与精度的权衡：Kish 权重效应
在对调查数据进行加权时，存在一个基本的偏差-方差权衡（Bias-Variance Tradeoff）。虽然加权可以消除人口统计学上的偏差，但引入不相等的权重会增加样本统计量的方差，从而降低统计精度。
本工具通过以下公式计算并展示这一精度损失：
- 归一化权重：工具会将最终权重归一化，使其均值为 1，即权重的总和等于受访者人数：
- Kish 权重效应 (Kish weight effect)：用于评估因权重不一致而导致的方差膨胀比例：
- 有效样本量 (Effective sample size)：代表加权后实际相当于多少个简单随机抽样样本的等效信息量：
加权效率（Weighting Efficiency）则是有效样本量占原始样本量的百分比。如果权重差异极大，有效样本量将显著降低。
‹variable› / ‹category›：系数 = 目标总和 ÷ 当前总和 = ‹target› ÷ ‹current› = ‹factor›将最终权重归一化为均值 1，使其总和等于受访者人数：Σw = n = ‹count›。Kish 权重效应 = n·Σw² ÷ (Σw)² = ‹count›·‹sumSquares› ÷ ‹sum›² = ‹effect›。有效样本量 = (Σw)² ÷ Σw² = ‹sum›² ÷ ‹sumSquares› = ‹effective›。
这些权重仅匹配你提供的边缘分布，不匹配你未提供的变量。Kish 诊断仅反映不等权重；它不包括群集、分层或完整的调查方差估计。
诊断加权异常与报错
在实际操作中，Raking 算法可能会因为数据结构问题而无法收敛。以下是常见的异常情况及工具的反馈机制：
- 零细胞冲突 (Zero-Cell Condition)：如果某个类别在总体目标中具有正目标值（例如目标为 5%），但在实际样本中没有任何受访者（样本量为 0），算法将无法计算出有限解，并抛出错误：
“‹variable› / ‹category›”具有正目标值，但没有可用的样本权重，因此不存在有限解。 - 未收敛警告：若在达到最大迭代次数时仍未满足相对容差要求，工具会提示：
在收敛前达到了迭代次数限制（‹iterations›）。显示的最后权重仅用于诊断，不作为已校准的结果。 - 极端权重警告：若成功匹配但最大权重与最小权重差异过大，会触发警告：
边缘分布已匹配，但最大权重是最小权重的 ‹ratio› 倍；在使用它们之前，请检查有效样本量。 - 无需加权：若样本本身已完美符合目标，则显示：
初始权重已经与每个要求的边缘分布相匹配。
常见问题解答 (FAQ)
我应该使用什么作为基准权重？
请使用在进行总体校准之前的权重——通常是每个受访者最终抽样概率的倒数，并经过你研究所需的任何早期无回答调整。如果你没有概率权重，请将该字段留空，让每个人的初始权重默认为 1。这会生成校准权重，但它不会将便利样本转化为概率样本。
为什么目标会无解或无法收敛？
如果某个类别没有抽样受访者，则无法创建正目标值。在有多个变量的情况下，观测到的组合也可能导致原本看起来合理的边缘分布互不兼容。极短的迭代限制或极端的初始权重也可能在达到要求的容差之前停止。目标审计和最差目标日志会显示仍存在不匹配的地方；请勿将这些最后的权重视为已校准的权重。
Kish 权重效应是完整的调查设计效应吗？
不是。它仅衡量与不等权重相关的精度损失：相等权重的结果为 1，而波动较大的权重会降低有效样本量。群集、分层、有限总体修正以及结果与校准变量之间的关系都会改变实际方差。如需计算标准误差和置信区间，请使用了解完整抽样设计的软件。
什么是 Raking？什么时候单个边缘分布就只是后分层？
Raking（多向平衡拟合）每次调整一个已知的总体边缘分布，然后循环调整它们，直到在进行后续调整后，先前的边缘分布仍然匹配。如果你只提供一个分类变量，一轮迭代就足够了：每个类别都会获得常见的“目标份额 ÷ 当前份额”调整。多个边缘分布并不会强制其未列出的交叉组合相匹配。
隐私与数据安全说明
本工具高度重视您的数据隐私。您的受访者数据和计算出的权重均保留在此浏览器中，绝不会被上传到任何外部服务器。所有的 Raking 迭代计算与数据解析均在您的本地浏览器内完成。