EU Data

抽样框架的不完善导致了估计误差。最令人担心的风险是覆盖失败，即一部分人口虽然参与了感兴趣参数的定义，但却没有出现在抽样框架中。 入样本的概率为零，正如我们所见，这会造成偏见。例如，在就业调查中，如果无家可归者被纳入调查范围，就会出现这种情况。事实上，由于这是一个本质上很难找到的亚群体，因此没有能够定期高质量地获取无家可归者样本的抽样框架。对于所谓普通家庭中的个人来说，公共统计数据所采用的调查基础似乎质量非常好。

在没有抽样框架的情况下生成样本的一种方法（但还有 美国海外华人数据 其他方法）是选择所谓的实证方法。这通常涉及在现场进行简单、快速的样本选择，这相对便宜。对应的是缺乏对抽样概率框架的掌握。这些方法主要涵盖“配额”调查、志愿者抽样和标准单位的选择。配额调查所依据的原则是，根据某些变量产生与实地总体具有相同结构的样本 - 例如，按性别采用相同的结构，按年龄组采用相同的结构 - 但调查人员根据一般指示在实地对单位进行抽样，旨在尽可能“随机化”选择。

这些方法是历史上最先实施的，可能会产生潜在的显著抽样偏差：这就是为什么 INSEE 不使用它们而坚持使用概率方法。事实上，所产生的主要风险是一种有害的机制，它会导致调查人员根据所收集的信息来选择或多或少明显的个人，并且我们从技术上证实，在无法控制个人选择概率的情况下，这种联系会导致偏见。例如，如果我们想进行一项面对面的配额就业调查，我们很可能会冒险采访那些白天在家里或公共场所更容易找到、因此就业频率较低的人，这将导致“就业率”参数的平均低估。此外，用这种方法很难确保所有个体参与调查的概率都不为零。主要通过在线方式进行的志愿者调查面临更大的这种风险，因此 INSEE 从未进行过此类调查。