「誤差」與「偏誤」的差別
每個行銷人在從事行銷研究時，無不想方設法盡最大能力追求事實或者查出消費者真實的想法，但偏偏經常事與願違。這個時候，除了可能是消費者不願吐露實情，另外一種可能就是在研究時出現了「誤差（Error）」與「偏誤（Bias，這裡的偏誤係指抽樣偏誤Sampling bias）」，而這些都應該是在執行行銷研究時，必須極力避免的事。
在進行行銷研究時，常常會有誤差（Error）與偏誤（Bias）出現的情況，這兩個名詞感覺很像，但到底哪裡不一樣？
首先，所謂的誤差（Error），指的是「近似值」與「真實值」的差異，在研究程序的每一階段，都有可能出現誤差。「誤差（Error）」的來源非常多，可能在從建立假設之初就已產生，例如內容效度的問題，而在建立衡量工具時，也會出現信度、效度不足或是效度污染的現象。
其次，像是抽樣設計中各種抽樣的誤差、訪談者與受訪者的誤差。再者，如受訪者可能會答錯題目，或者受訪者都答對了，但資料處理人員在進行資料編碼時，出現遺漏值，尤其在鍵入資料時，卻Key錯欄位，導致整個研究結果嚴重「走鐘」。最後，更有可能因為統計方法的使用錯誤，或是分析結果判讀錯誤，甚至是產生推論的錯誤，這些都是誤差的來源。如圖1所示。
事實上，由於各種誤差隨時都有可能發生，克服的方式則是加強施作的訓練、建立作業的標準程序，以及加派人手來進行交叉查核。
至於（抽樣）偏誤（Bias）則專指，在問卷調查的統計分析中，樣本平均值與母體平均值之差異。例如：抽樣調查某校學生平均成績為80分，結果母體的真實平均分數只有75分。如圖2所示。
之所以會產生這樣的情形，常常是因為抽樣過程中不夠嚴謹或是樣本數量太少，導致樣本代表性不足。要解決抽樣不夠嚴謹問題，必須嚴格遵守抽樣程序，最好能確保採用隨機抽樣，讓每個樣本都有同樣被抽到的機會。不過，反過來看，要求樣本越大，資料的收集就越麻煩，所花費的時間與成本也就越大。
作者：蘇宇暉（台科大管研所博士候選人）、羅凱揚（台科大企管系博士）
繪圖者：曾琦心、王舒憶
您可能有興趣:
AI行銷學系列講座：
實體課程：
線上課程：
精選好書：
