在线问卷代表性的统计基础
在线问卷调研相较于传统面访调研，在样本代表性方面面临两类系统性偏差：覆盖率偏差（Coverage Bias）和自我选择偏差（Self-Selection Bias）。这两类偏差不仅影响调研结果的外部有效性，更可能导致基于调研数据做出的商业决策偏离现实。理解并控制这两类偏差，是在线问卷调研方法论质量保障的核心课题。
覆盖率偏差：被排除在外的群体
覆盖率偏差产生于在线问卷调研的触达范围限制。由于问卷通过互联网渠道分发，无法上网或不使用该渠道的人群天然被排除在样本之外。这意味着：互联网普及率较低的地区（农村偏远地区）、不习惯使用智能手机的高龄人群（65岁以上）、以及没有使用特定平台习惯的特殊职业群体（如部分工厂工人）在在线问卷调研中天然存在欠代表问题。
检验覆盖率偏差的方法，是将样本的人口统计学特征分布（年龄、地区、学历、收入）与权威统计数据（人口普查数据、官方统计年鉴）进行对比。若样本中某些群体的比例与总体分布存在显著偏差，则需要进行事后权重校正（Post-Stratification Weighting）来修正样本结构。
自我选择偏差：主动参与者与沉默多数
自我选择偏差是在线问卷调研中更难控制的偏差类型。它源于参与调研的人与不参与的人之间存在系统性差异——对某个话题有强烈态度的人（无论是高度满意还是强烈不满）更倾向于参与相关调研，而态度中性的沉默多数则倾向于不参与。这会导致在线问卷调研的满意度数据或态度数据出现两极分化，不能反映总体的真实分布。
减轻自我选择偏差的主要方法包括：采用概率抽样（而非自愿参与）的样本招募方式、通过激励设计降低参与门槛（减少对”有意见才参与”人群的过度依赖）、以及对调研主题保持一定的”中性包装”（不在邀请语中过度强调特定话题，避免话题倾向性筛选）。
样本代表性的统计检验方法
在在线问卷调研数据分析阶段，应对样本代表性进行正式的统计检验，而非仅依赖主观判断。常用方法包括：卡方拟合优度检验（Chi-Square Goodness of Fit Test），检验样本中各人口统计学变量的频率分布是否与总体分布显著不同；以及多元逻辑斯蒂回归，检验不同人口特征是否预测参与与否，识别参与倾向的系统性差异。若检验结果显示样本与总体存在显著偏差，应在报告中明确说明样本局限性，并在分析结论中给出相应的推广性说明。
事后权重校正的操作规范
事后权重校正是在线问卷调研中最常用的样本代表性修正手段。基本原理是：根据已知总体分布，给欠代表群体赋予更高的分析权重，给过代表群体赋予较低权重，使加权后的样本结构与总体结构一致。权重校正通常通过Raking（迭代比例拟合）算法完成，该算法在Excel或R/Python中均有成熟的实现包。需要注意的是，权重校正能够改善样本结构偏差，但无法解决覆盖率偏差中完全缺失的群体问题——这一局限性应在研究报告的方法论部分如实说明。