样本偏差与加权调整的关系
在市场调研数据分析阶段，样本偏差控制的重要手段之一是加权调整。当采集到的样本在性别、年龄、地区等关键指标上的分布与目标总体存在偏差时，加权调整通过对不同子群体赋予不同的权重，使样本的统计特征趋近总体分布，从而提升研究结论的代表性。
加权调整的基本原理是”以少补多、以多补少”——对于样本中过度代表的群体降低其权重，对于样本中代表不足的群体提高其权重。调整后的样本虽然在绝对数量上没有改变，但在统计特征上更加接近目标总体，基于加权数据得出的研究结论更加可靠。
事后分层加权方法
样本偏差控制中最常用的加权方法是事后分层加权（Post-stratification Weighting）。该方法以已知的总体分布（如最新人口普查数据）为基准，将样本按照相同的分层变量（如性别×年龄×地区）进行分层，然后计算每层的调整权重。
事后分层加权的计算过程相对直观：首先获取各分层在总体中的真实占比（如25-34岁女性在目标城市常住人口中的占比）；然后计算该分层在样本中的实际占比；最后用总体占比除以样本占比，得到该分层的调整权重。如果某分层在样本中的占比低于总体，调整权重将大于1；反之则小于1。
事后分层加权的效果取决于分层变量的选择和总体参考数据的准确性。通常建议选择与研究主题密切相关、且总体分布数据可获取的变量作为分层变量。常用的分层变量包括：性别、年龄、地区、收入和教育水平等。
倾向得分匹配加权
倾向得分匹配（Propensity Score Matching, PSM）是样本偏差控制中一种更加精细的加权方法。该方法源于因果推断领域，适用于选择偏差较为复杂的场景。倾向得分是指在给定一组协变量条件下，个体被纳入样本的概率。
倾向得分匹配加权的优势在于，它可以通过一个综合的倾向得分来同时控制多个变量的偏差，而不需要像事后分层那样对所有变量进行交叉分层（当变量较多时，交叉分层会导致某些单元格的样本量过小）。此外，倾向得分方法还可以用于评估加权调整的效果——如果加权后的样本在协变量分布上与总体无显著差异，说明偏差已被有效控制。
两种加权方法的对比选择
事后分层加权和倾向得分匹配加权各有适用场景。事后分层加权适用于偏差来源明确、总体分布数据完整的常规调查项目，操作简便、结果可解释性强。倾向得分匹配加权适用于偏差来源复杂、需要同时控制多个混杂变量的场景，在样本偏差控制的精细化程度方面更胜一筹。
在实际项目中，建议采用”先事后分层、再倾向得分校准”的两步法：首先用事后分层加权处理主要的分布偏差，然后用倾向得分方法检查和调整残余偏差。无论采用哪种方法，都应在研究报告中披露加权变量、权重计算方法和加权前后的样本分布对比，确保分析过程的透明和可复现。