雪球抽样（Snowball sampling）是通过转介（类似于连锁反应）来寻找研究参与者的方法。这是一种在研究隐秘群体——例如无证移民或罕见病患者——时具有实际意义且往往不可或缺的方法，因为这些群体没有官方的名录可供参考。
我们将解释该方法的工作原理、其各种类型以及使用的明确步骤。本指南还将涵盖其真正的优势、显著的局限性，以及研究人员为使其研究结果具有公信力而必须解决的关键伦理问题。
<CTA title="规划您的抽样策略" description="在结构化提示和学术严谨性的辅助下，设计出清晰的研究方法" buttonLabel="免费试用 Jenni" link="https://cn.app.jenni.ai/register" />
什么是雪球抽样及其为何被使用
雪球抽样的工作原理是让您当前的参与者从他们自己的社交联系人中寻找下一批参与者。这是一种连锁反应。这种方法至关重要，因为某些人群在标准的研究方法中几乎是“隐形”的。
通常，根本没有可以进行抽样的总名单。这是研究无证工人、封闭社区成员或极窄领域专家时所面临的现实情况。
正如在雪球抽样的定义与方法论中所解释的那样，当常规方法无法触及某一群体时，这就成了一种务实的替代方案。
您从几个初始联系人（称为“种子”）开始。他们推荐其他人，然后这些人再推荐更多的人。您的样本量随着每一轮转介而增加，就像滚雪球下山时越滚越大一样。
您可能还会听到以下称呼：
网络抽样（Network sampling）
转介抽样（Referral sampling）
链式转介抽样（Chain-referral sampling）
您会发现这种技术在社会学、心理学和公共卫生等领域被频繁使用，尤其是在项目的早期探索阶段。
<ProTip title="💡 专家提示：" description="使用多个起始参与者，以减少偏差并提高转介链的多样性" />
雪球抽样过程如何运作
尽管雪球抽样依赖于个人网络，但它并不是杂乱无章的。它有一套清晰、循序渐进的程序需要遵循，而跳过这些阶段是一个常见的错误。
以下是它通常展开的步骤：
步骤 1：寻找您的“种子”。您首先需要识别并招募一小部分符合目标人群特征的初始参与者，通常为 3 到 5 人。
步骤 2：收集第一波数据。作为您更广泛的数据收集工作的一部分，您通过访谈或问卷调查从这些“种子”中获取信息。关键在于，您随后要请他们每一个人推荐他们认识的、同样符合该研究条件的其他候选项。
步骤 3：通过转介扩大样本。由“种子”推荐的人成为您的第二波参与者。接着您向他们寻求推荐，从而产生第三波，以此类推。
步骤 4：决定何时停止。您持续这个循环，直到您不再获得新的、有用的信息（这一时刻被称为饱和度），或者达到了预先设定的样本量。正如 Researcher.Life 所指出的，许多研究在 3 或 4 个波次后结束，以防止样本在社会学特征上变得过于相似。
步骤 5：以正确的视角进行分析。您所获得的数据被解读为探索性的且包含丰富情境的。从一开始就需要明确的是，这些结果在统计学上并不能代表更广泛的母体。
如需了解这些步骤及其影响的结构化解析，请参阅循序渐进的雪球抽样过程，该内容概述了研究人员在实际研究中如何应用这一方法。
一个现实世界中的例子： 设想一项针对某利基类型软件开发人员的研究。研究人员找不到现成的名录。
他们从 LinkedIn 上的几个联系人开始，对他们进行了访谈，然后问：“您还认识其他从事此类工作的人吗？” 每一个新建立的联系都会引向另一个联系。
这凸显了该方法的核心事实：对于某些群体，您是通过信任和人际网络获得接触机会，而不是通过数据库或随机抽样。
<ProTip title="📌 注意：" description="在开始招募之前定义明确的纳入和排除标准，以保持一致性" />
您应该了解的雪球抽样类型
雪球抽样并非只有一种方法。您选择的类型将改变一切：您寻找受众的速度、您找到的是谁，以及什么样的人为偏差会悄悄混入。
线性抽样：直线式
在这种类型中，您构建的是一条单一的链条。人 A 认识人 B，人 B 认识人 C，以此类推。这是一条狭窄、受控的路径。
适用于具有非常特定特征的、人数较少的难找群体。
您放弃了广泛的搜寻，以换取更深入、更聚焦的联系。这很有用，但通过这种方式您无法找到很多参与者。
指数抽样：分支树式
这是大多数人使用的经典版本。一个人推荐了其他几个人，这几个人中的每一个又推荐了其他几个人。您的样本量能够极其迅速地爆发式增长。
明显的优点是速度和规模。
而巨大的缺点呢？大家往往彼此认识。您最终可能得到的是一个紧密联系的群落，而不是一个多样化的群体。虽然速度很快，但它可能描绘出一个非常片面的社区面貌。
受访者驱动抽样 (RDS)
公共卫生领域的学者经常使用这种更具结构化的方法。它旨在解决偏差问题。
参与者在招募其同伴时可以获得少量的物质激励。
研究人员随后利用数学方法对结果进行加权，试图纠正由于社交活跃人士容易被过度抽样而带来的偏差。包括剑桥大学出版社在内的多项研究表明，RDS 旨在提高对隐秘群体抽样的准确性，尽管它的操作更为复杂。
关于该方法的更深层次讨论，可见于受访者驱动抽样的统计分析，其中探讨了受访者驱动抽样中的高级统计考量。
<ProTip title="⚠️ 提醒：" description="限制每个参与者的转介人数，以控制指数级的偏差增长" />
雪球抽样的优势
该方法具有明显的实用好处，特别是在您面对那些不在任何官方名录上的群体时。
它在定性研究中尤其有用。如果您不确定您的研究适合定性还是定量方法，诸如定性研究与定量研究之类的资源可以帮助厘清在何处应用雪球抽样最为有效。
接触处于网络之外的群体 这是使用它的主要原因。标准的调查方法在面对隐秘、被污名化或仅仅是难以找到的人群时常常失效。
针对非法药物作用的研究。
涉及无纸化（无证）移民工人的研究。
为非常罕见的医疗状况建立一个队列。如果您无法找到发送地址，一份正式的邀请函就毫无意义。而一份令人信任的转介则是唯一行之有效的钥匙。
便宜且快速 您不需要昂贵的邮寄名单、广告预算或复杂的筛选程序。招募系统本身就内置于该群体之中。社会联系承担了大部分繁重的工作，这既节省了资金，又节省了时间。
例如，诺瓦东南大学的研究就使用了这种方法，高效地找到了不属于任何正式协会的专业人士。
专为深度而非广度理解而生 雪球抽样是定性工作天造地设的工具。如果您的目标是进行丰富的访谈、详实个案研究，或者甚至只是摸索下一步应该提出什么样的问题，这种方法都能帮您达成目的。
它放弃了统计学上的广度，以换取真实理解某个人的故事或一个社区的现实所必需的那种深度。
雪球抽样的局限性与偏差
尽管这种方法确实非常实用，但它也存在可能损害您研究结果的重大缺陷。雪球抽样属于非概率抽样方法，这意味着它契合特定的研究范式，而不是可推广的统计模型。当您确实拥有抽样框时，概率抽样方法才是通往更具代表性结果的标准途径。
如果您正在探索这方面更广泛的背景，研究范式样式提供了有关不同方法论如何塑造研究设计的有用背景。
大家都彼此认识 最大的问题是网络偏差。人们自然会推荐那些在背景、观点或社交圈层上与自己相似的人。您的样本并非一幅截面图，而是一系列相互重叠的社交群落。
如果从一位活动家开始，您得到的大部分会是他的同行活动家圈子。
如果从一位高管开始，您得到的大多会是其他高管。您最终研究的是单一网络，而不是整个群体。这种内置的偏差往往是该方法的致命弱点。
结果无法推广 雪球抽样是一种非概率抽样方法。由于没有进行随机选择，因此您不能声称您的研究结果在统计学上能够代表更广泛的群体。
您可以提炼主题、讲述引人入胜的故事并详细探究特定经历，但您不能说“该群体中 X 百分比的人相信 Y”。数学原理并不支持这样的推论。
伦理的钢丝 要求人们推荐他们的朋友会立刻产生隐私和人际压力问题。
参与者可能会觉得有提供名单的义务，从而冒着损害其社会关系的风险。
在一个紧密联系的群体内，匿名性随时有被打破的隐忧。在针对敏感主题（如违法活动或疾病污名化）的研究中，这些绝非无关痛痒的小事。它们是能够使整项研究被迫中止的核心伦理挑战。
<ProTip title="🔒 伦理提示：" description="使用匿名转介链接代替直接分享姓名，以保护参与者的隐私" />
雪球抽样与其他抽样方法的对比
选择抽样方法关乎权衡取舍。以下是雪球抽样在关键要点上的对比情况。
特征 | 雪球抽样 | 随机抽样 | 便利抽样 | 分层抽样 |
类型 | 非概率抽样 | 概率抽样 | 非概率抽样 | 概率抽样 |
抽样框 | 不需要 | 需要 | 不需要 | 需要 |
最佳用途 | 隐秘群体 | 普通大众 | 易于接触的群体 | 结构化群体 |
偏差风险 | 高 | 低 | 高 | 中 |
可推广性 | 有限 | 强 | 弱 | 强 |
该表显示了核心的折衷之处。当“获取接触机会”是首要难题时，您可以使用雪球抽样，但同时需要接受会失去统计学效力并面临较大偏差的事实。它在其他方法甚至找不到地址时，为您叩开这扇研究大门。
如果您正准备发表基于该方法的研究成果，选择合适的期刊同样至关重要。诸如选择学术研究期刊之类的指南可以帮助您将使用的方法论与适当的学术发文渠道进行相匹配。
有效使用雪球抽样的最佳实践
要使这种方法发挥作用，您需要一个能够克服其自身固有弱点的方案。
从多个起点开始，而非单一起点 您的第一批联系人，即“种子”，决定了一切。如果您只从一个人开始，您最终只能绘制出他一个人的社交圈。相反，您应该在社区的不同部分寻找多个起始起点。
这个简单的步骤是应对聚集性问题并获取更多样化样本的最佳途径。
知道何时停手 如果没有计划，招募工作可能会无限蔓延，最终得到的都是千篇一律的样本。务必设定清晰的数据收集停止规则。
限制转介的“波次”（例如，在 3 或 4 轮后停止）。
当新的访谈不再能揭示出新信息时（即达到了所谓的“饱和度假说”）停止。这能防止您在同一网络中越挖越深却并无所得。
保留详细日志 为了让您的研究具有说服力，必须一丝不苟地记录研究过程。准确写下您是如何选择初始种子的、完成了多少轮转介、对单人可转介的人数做了哪些限制，以及您为何决定停止招募。
该日志并不能消除偏差，但它能让您的方法变得透明，局限性一目了然。
将其作为综合工具箱中的一员 雪球抽样鲜少应当单独使用。请将其与其他方法配合使用。
用它来寻找参与问卷调查的对象。
将其与目的抽样结合起来，以刻意追寻遗漏的视角观点。
利用开放式的在线招募来补充。混合方法研究有助于平衡雪球抽样的深度获取能力与更广泛、更受控的数据收集方法。
雪球抽样：接下来的步骤
您可能会发现很难接触到合适的研究对象，尤其是在您的目标群体不易被识别、且每一步都依赖转介的时侯。这确实会让人感到受限。雪球抽样虽然能帮您推进研究，但偏差的潜在风险可能会降低您研究结果的可信度。
<CTA title="撰写您的方法论部分" description="在结构化指导的辅助下，将您的抽样策略转化为一篇清晰的学术论文段落" buttonLabel="免费试用 Jenni" link="https://cn.app.jenni.ai/register" />
关键在于您招募参与者的方式以及停止收集数据的时间点必须保持清晰透明。像 Jenni 这样的工具可以帮助您以清晰、具有结构化的方式撰写方法论——参见撰写学术论文方法论部分的清晰指南——从而使您的决策对读者而言合情合理，并让您的学术研究显得更加扎实可靠。