样本代表性（Sample Representativeness），
指的是问卷数据在多大程度上能够反映整体母体的真实特征。
一旦这一点站不住脚，
所有统计解释都会变得不稳定，
而导师提出的第一个问题，往往就从这里开始。
The Brain 在大量项目经验的基础上，
总结了论文调查中确保代表性的 5 个实战策略。
1️⃣ 首先明确“母体”是谁
在讨论代表性之前，
必须先明确“你要代表谁”。
例如：
“首尔地区全部研究生”
“修读市场营销相关课程的学生”
“40 岁左右的在职女性消费者”
母体的定义，
决定了样本的目标范围，也决定了结果可以推广到哪里。
2️⃣ 多渠道招募，避免样本偏向
如果只使用单一渠道招募，
样本结构很容易向某一侧倾斜。
可行策略示例：
校园社区 + SNS + 熟人推荐
线上 + 线下并行
A 学校 + B 学校 + C 学校分散招募
“过于偏向某一群体的样本，会直接扭曲结论。”
3️⃣ 以人口学特征为基准，保持样本结构平衡
判断代表性最直观的指标，
就是性别、年龄、专业等基本分布。
示例：
性别比例：50:50 ±10%
年级、职业结构参考母体构成
必要时，也可以在分析阶段使用加权（Weighting）进行修正。
4️⃣ 以“清洗后的样本”为代表性基准
代表性必须以“有效数据”为标准来评估。
正确流程是：
先扩大收集范围
再进行质量控制（QC）
最后确认最终有效样本数
The Brain 在目标为 150 人时，
通常会实际收集 180–220 份数据。
“代表性，必须同时满足数量与质量。”
5️⃣ 如存在限制，应当如实说明
如果样本在代表性上存在局限，
最好的做法不是回避，而是坦诚说明并给出理由。
写作示例：
样本主要来自特定地区研究生 → 推广需谨慎
样本以自愿参与者为主 → 可能存在回应偏差
这种透明性，
反而会提升论文的伦理性与可信度。
母体定义 → 招募渠道分散 → 样本结构平衡 → QC 后稳定数量 → 透明报告
只要严格遵循这五个步骤，
样本代表性会自然建立起来。
The Brain 从招募策略设计到质量管理全流程支持，
帮助研究者获得具有代表性的样本数据，
让后续的分析与解释不再摇摇欲坠。
