总之，是的。我相信在“大数据”世界之内和之外，仍然存在适合采样的明确情况，但大数据的性质肯定会改变我们的采样方法，我们将使用更多的数据集，这些数据集几乎完整地代表了底层数据。人口。

关于抽样：根据具体情况，抽样是否适合做几乎总是很清楚的。抽样并非天生有益的活动；这正是我们所做的，因为我们需要权衡实施数据收集的成本。我们正在尝试对人群进行表征，并且需要选择适当的方法来收集和分析有关人群的数据。当数据收集或数据处理方法的边际成本很高时，抽样是有意义的。在这种情况下，试图覆盖 100% 的人口并不是对资源的一种很好的利用，因为你通常最好解决诸如无响应偏差之类的问题，而不是对随机抽样误差进行微小的改进。

大数据有何不同？“大数据”解决了我们多年来遇到的许多相同问题，但“新”是数据收集发生在现有的计算机中介过程中，因此收集数据的边际成本基本上为零。这大大减少了我们对采样的需求。

我们什么时候还会使用采样？如果您的“大数据”人群是解决问题的正确人群，那么您只会在少数情况下使用抽样：需要运行单独的实验组，或者如果数据量太大而无法捕获和处理（许多我们现在可以轻松处理数百万行数据，因此这里的边界越来越远）。如果我似乎在忽略您的问题，那可能是因为我很少遇到数据量在收集或处理阶段成为问题的情况，尽管我知道很多人有

对我来说似乎很难的情况是，当您的“大数据”人群不能完美地代表您的目标人群时，因此需要权衡取舍。假设您是区域交通规划师，Google 提供了访问其 Android GPS 导航日志的权限以帮助您。虽然使用该数据集无疑会很有趣，但人口可能会系统地偏向低收入、公共交通用户和老年人。在这种情况下，发送给随机家庭样本的传统​​旅行日记虽然成本更高且数量更少，但仍可能是更好的数据收集方法。但是，这不仅仅是“采样与大数据”的问题，它'

虽然移动设备等可能会产生大量的大数据，但其中几乎没有可用的数据。如果您想使用foursquare 预测城市出行模式，您的估计流量可能会相差一个数量级。更糟糕的是，您不知道您是高估还是低估了这些流量。您可以获得疯狂的foursquare用户的城市旅行模式的精确图片，但除非每个人都需要（1）保持智能手机正常工作，（2）一直运行foursquare应用程序，以及（3）注册任何他们停留超过 10 分钟的地方（即，进行电子人口普查；让自由主义者抱怨 Google 和 Facebook 知道您的一切），您的数据将包含未知的偏见，您的电子杜威将继续击败真实世界杜鲁门（可点击）：

_{（来源：whatisasurvey.info）}

如果有的话，我希望这段历史会重演，从大数据产生的一些大的“啤酒+尿布”预测会被研究人员使用更严格的抽样方法推翻。令人惊讶的是，即使响应率下降，基于概率的调查仍然准确。

每当应用统计推断技术时，重要的是要清楚其旨在得出结论的人群。即使收集到的数据很大，也可能只涉及到一小部分人口，可能不能很好地代表整体。

例如，假设一家从事某个行业的公司收集了某个国家/地区客户的“大数据”。如果它想使用该数据得出关于其在该国家/地区的现有客户的结论，那么抽样可能不是很相关。但是，如果它想对更大的人口（潜在客户和现有客户，或另一个国家/地区的客户）得出结论，那么必须考虑所收集数据的客户在多大程度上具有代表性（可能在收入、年龄方面） ，性别，教育等 - 更大的人口。

时间维度也需要考虑。如果目标是使用统计推断来支持预测，那么必须将总体理解为延伸到未来。如果是这样，那么再次考虑是否在代表未来可能获得的情况下获得的数据集（无论多么大）变得至关重要。

从我所看到的大数据/ML 热潮来看，考虑抽样和抽取样本的总体与以往一样重要——但考虑得更少。

我正在“审核”斯坦福 ML 课程，到目前为止，我们已经涵盖了回归和神经网络，但几乎没有提到人口推断。由于这门课已经有 6 位数的人参加，所以现在有很多人知道如何非常愿意地拟合数据，而没有任何样本概念的概念。