便利抽样也称为随机抽样、机会抽样、意外抽样或偶然抽样。通过这种方法，研究人员使用容易接触到的对象。顾名思义，研究者选择研究对象是因为方便。便利抽样的一些例子是学生在研究中使用他们的同学，或者电视记者在街上采访人们。

在研究方法上，抽样方法有两种主要分类：不概率和概率。使用概率抽样方法，人群中所有可能的受试者都有可能被纳入样本。研究人员甚至可以计算其中一个被选中的数学概率。他们还可以计算抽样误差，即样本与实际总体的差异程度。

方便抽样是一种非概率方法。这意味着受试者是以非随机的方式选择的，一些人群成员没有被包括在内的机会。对于非概率抽样，研究人员无法计算他们的样本在多大程度上代表了整个人口。一般来说，概率抽样被认为比非概率抽样更严格、更准确，但并不总是可行的。

当时间或成本是一个因素时，一些研究人员可能会使用方便抽样。当研究者想要一种廉价且快速的方法来判断是否需要进一步的研究时，它通常用于试点或探索性研究。许多社会科学研究对学生、付费志愿者或客户使用方便抽样。

另一种类似于便利抽样的方法称为雪球抽样。这是另一种非概率方法，在这种方法中，当前参与者引用或识别其他可能的主题。当很难找到特定人群的成员时，通常使用雪球抽样。

方便取样有明显的好处。它通常是一种快速且相对经济高效的数据收集方法。许多研究人员已经拥有了一批可以利用的客户、患者、学生、同事或朋友。

随机抽样是一种概率方法，被认为是研究的金标准。通过随机抽样，人口中的每个成员都有平等的被选择机会，因此样本是人口的良好代表。一个方便的样本不能代表总体，并且该方法不像概率方法那样结构化或严格。使用这种抽样方法的研究应进行严格评估，以确定可能存在的偏差和对结果概括的限制。

方便抽样法

便利抽样在研究人员中的流行可能是由于该方法的直接方法。任何随机人群中的任何自愿成员都将充分充当数据池。此外，使用便利抽样的研究人员通常有更多的自由来设计他们的研究，因为他们不受受访者选择标准的约束。

由于这种自由，使用方便抽样的研究可以采取各种形式。例如，面谈、书面调查、回复邮件、在线调查和电子邮件问题是收集数据的有效方法。假设研究人员在研究中披露了所有数据收集手段，并解释了方法可能存在的问题。在这种情况下，没有什么不允许研究人员混合使用几种方法。因此，研究人员可以确定可能愿意参与的参与者的来源，并立即开始接近他们。

由于方便抽样是一种不可能的方法，研究人员在开始工作之前不必对小组进行审查。研究人员不必从确定定位特定亚组的方法开始，而可以更专注于提供有意义的调查问题。

使用便利抽样的研究人员还必须尽早确定他们的数据收集方法可能影响结果的方式。但是，同样，在研究一开始就迎头解决这个问题会增加在调查结束时获得准确数据的几率，这些数据真实地反映了被调查者的观点。

方便取样的缺点

如前所述，便利抽样并不是最准确的数据收集形式。相反，概率抽样——从预先筛选的人群中收集的数据——提供了最准确的结果，因此也是最有价值的结果。通常，将一组受访者的意见与人口统计信息分开，可以产生更好的结果。通过方便取样获得的结果总是带有一丝怀疑。

便利抽样结果中的数据完整性问题可能源于研究者的偏见。研究人员在选择参与者时可能会表现出偏见，因为他们在影响其他人时也会经历同样的感知限制。典型的倾向是倾向于那些具有让研究者感到舒适的特质的候选人。换句话说，进行随机调查的个人可能会接近并要求他们认为最像自己的人参与。

数据依赖性是影响便利抽样研究结果的另一个可能问题。当反应与研究者有一些不知道的潜在联系时，就会产生依赖性。例如，在购物中心“与圣诞老人合影”这一事实是否影响了研究人员接触的家中有小孩的受访者数量？这些依赖关系通常不像所引用的示例那样明显。有时，他们会躲在研究人员的视线之外，破坏研究数据的可靠性。

其他未知变量以研究者不明显的方式连接受访者，也会对结果的准确性产生负面影响。例如，影响人们购物地点的看不见的联系、他们对邮寄调查的反应、他们的上网习惯以及许多其他因素也会影响研究人员发现他们参与研究的容易程度。

方便取样的利弊

便利抽样是迄今为止研究人员最流行的数据收集方法。然而，提供一种低成本的方式来开始收集数据的好处超过了使用它所带来的一些问题。此外，通过分析数据收集方法对结果的影响，研究人员可以帮助缓解对数据收集方式的不安。

方便取样的好处主要在于研究人员可以很容易地开始收集数据。在没有预先确定大量人口的成本和障碍的情况下，方便抽样可以让研究人员调查初始问题，并确定是否需要进一步调查。

便利抽样的缺点在于，各种因素容易微妙地破坏数据的有效性。参与者之间的联系或其他未被注意到的影响可能会导致研究人员误解结果。错误的结论可能导致决策和资源分配不当，从而有助于纠正因错误的研究结果而被误解的问题。

使用方便抽样绝不会使研究无效。相反，它仍然是构建研究和执行研究最广泛使用的方式。然而，为了解决由于方便取样而可能出现的问题，研究人员必须寻找未被观察到的联系可能影响其发现的方式。

当研究人员能够识别并补偿这些影响时，他们就能产生高质量的数据，在某种程度上经得起严格的统计分析。