全国和区域调查没有一套通用的“每个地区应该收多少份”公式。如果主要目标是估计全国指标，样本通常应接近目标总体的地区占比；如果主要目标是比较各区域，小区域就需要超额抽样；如果两种结果都要，应该预先做折中分配，并接受加权后全国有效样本量下降的代价。把样本平均分给每个省市看似公平，实际只保证了名义数量相同，不保证全国代表性，也不保证每个地区达到同样精度。
正确顺序是：先定义最终要单独发布结果的“估计域”，再为每个域设定允许的不确定性，最后才分配样本。行政省份、销售大区、城市级别、门店商圈和服务发生地可以是不同的域；只有真正对应决策和分析的地理单位，才值得消耗独立样本量。
先把全国指标和区域比较写成两个交付物
全国指标回答“目标总体的平均情况怎样”，每个地区对结果的贡献应接近其在目标总体中的占比。区域比较回答“不同地区是否存在值得行动的差异”，每个待比较地区都需要足够的未加权基数。联合国统计司把计划单独产生估计的总体子集称为估计域，并指出：为各域获得近似相同精度时，等额分配往往更有效；为全国估计时，按总体规模比例分配通常更合适；同时追求两者，需要折中。
立项文档可以把交付物写得很具体：
- 全国看板：全国满意率及其不确定性，按目标客户或人口地区结构加权。
- 区域经营表：四个销售大区各自的满意率、未加权基数与问题场景。
- 城市诊断：仅对达到发布基数且抽样设计支持的城市给直接估计，其余只列探索信号。
- 行动清单：把全国共性、区域流程和单点异常分别交给对应负责人。
如果业务要查看三十个省份乘以五类客户的交叉结果，就不是一百五十个筛选标签，而是一百五十个潜在估计域。要让每一格都有可靠基数，总样本会迅速膨胀。此时应按真实决策优先级减少发布域，合并相近地区，或承认部分结果只作探索，不能让地图自动生成数值掩盖证据不足。
同样一千二百份，三种分配回答不同问题
下面用一个示例性客户体验调查说明取舍。假设抽样框中四个区域的目标客户占比分别为东区百分之五十、南区百分之二十五、北区百分之十五、西区百分之十，总有效样本预算为一千二百。为便于理解，以下误差只采用比例为百分之五十时的简单随机抽样近似值；真实项目若有聚类、权重、无响应或非概率来源，不能直接照搬这些数字。
方案一是比例分配：四区分别分到六百、三百、一百八十和一百二十份。它不需要因地区配额再加权，全国有效样本最接近一千二百；但各区近似误差分别约为正负四点零、五点七、七点三和八点九个百分点。西区即使与东区相差六个百分点，也很可能没有足够信息判断差异是否超出抽样波动。
方案二是等额分配：每区三百份，各区近似误差都约为正负五点七个百分点，适合四区同等重要的比较。可是全国汇总时，每条东区记录应获得约二倍于等额样本的相对权重，西区记录约为零点四倍。用权重平方和计算，名义一千二百份对应的加权有效样本量约为八百七十，全国精度会低于同规模比例样本。
方案三是折中分配：按地区规模平方根近似分配，可得到东区四百四十四、南区三百一十四、北区二百四十三、西区一百九十九份。四区近似误差约为正负四点七、五点五、六点三和六点九个百分点；地区权重造成的全国有效样本量约为一千一百零五。它没有让四区精度完全相同，却比比例分配更照顾小区，也比等额分配保留更多全国信息。
平方根分配不是必须采用的标准答案，只是一个透明起点。正式分配还要考虑各区结果波动、每份成本、发生率、预期无响应、最低可发布基数以及最重要的比较。如果西区是下一季度唯一要扩张的市场，为它分配更多样本可能合理；如果全国续约率是唯一考核指标，接近比例分配更经济。
超额抽样后，全国结果必须还原地区结构
继续使用折中方案。假设东、南、北、西四区满意人数分别为三百二十九、二百一十四、一百七十三和一百二十五，各区样本内满意率约为百分之七十四点一、六十八点二、七十一点二和六十二点八。直接把满意人数相加，得到八百四十一除以一千二百，即百分之七十点一。
但这份样本有意提高了北区和西区占比。若抽样框中的百分之五十、二十五、十五和十确实是目标总体结构，并且其余加权与无响应假设成立，全国估计应按四区占比汇总：
百分之五十乘百分之七十四点一，加百分之二十五乘百分之六十八点二，加百分之十五乘百分之七十一点二，再加百分之十乘百分之六十二点八，结果约为百分之七十一点零。
原始合计与地区加权结果相差约零点九个百分点。差值大小不是判断是否加权的标准：只要入样比例被人为改变，就应按设计还原；碰巧差得小也不能省略。报告还要同时给出各区未加权基数、使用的总体基准、权重范围和加权有效样本量。外部基准必须对应同一个目标总体与时间窗，不能用常住人口分布去校准只面向付费客户的调查，也不能用销售额分布解释“顾客人数”的比例。
地区字段要分清人住在哪里、事情发生在哪里
“所在地区”通常无法支持行动。一个人常住杭州，在上海门店购买，通过华南仓发货，并由全国线上客服处理售后；这四个地点分别对应人口覆盖、门店体验、履约责任和服务团队。研究应围绕决策分别收集，而不是让受访者猜研究者想问哪一个。
建议为地理数据建立版本化字典，至少包含：
- 常住地：用于人口或生活环境相关分析，并明确最短居住时间。
- 交易或体验地：绑定最近一次具体事件，是门店和线下服务诊断的主要字段。
- 服务责任区：由订单、门店或组织映射生成，不要求受访者了解内部销售大区。
- 地理层级与代码版本：保存省、市、区县之间的父子关系和生效日期，避免边界调整后历史结果漂移。
- 城市级别或市场分组：记录制定机构、判定规则和版本；“新一线”等商业分类不是稳定行政代码。
完整地址通常不是区域分析的必要条件。优先让参与者选择足够支持决策的层级，精细位置只在配送距离、商圈或空间可达性确有分析用途时收集，并限制访问与保留周期。网络地址和设备定位会受到代理、公司出口、权限和旅行影响，只能作为经同意的辅助信号，不能无条件覆盖自报事件地点。
区域样本足够，还要检查是否挤在少数点位
西区有二百份，并不代表覆盖了西区。如果其中一百八十份来自同一座城市、同一门店或同一个合作渠道，答案可能因共同环境而相似。聚类会让二百个名义观测提供的信息少于二百个相互独立观测。假设西区设计效应为一点六，其一百九十九份的设计有效样本量约为一百二十四，百分之五十附近的简单近似误差会从正负六点九扩大到约正负八点八个百分点。
因此，每个区域还应检查城市数、点位数、每点最大样本、城乡或核心与非核心市场覆盖、样本来源和回收日期。少量点位可以降低执行成本，却会增加聚类；扩大点位数通常提高覆盖，但每个点的协调成本也更高。抽样设计要在点位数量、点内样本和预算之间选择，不能只把总样本填满。
区域间使用不同招募方式也会混淆解释。例如东区来自客户名单邮件，西区来自门店拦截，那么满意率差异同时包含地区、渠道、到店资格和作答方式。最好在各区保持核心来源和测量方式可比；无法保持时，至少保留来源和方式变量，做同渠道比较或敏感性分析，并把限制写进结论。
区域差异出现后，先排除结构差异再讲地域故事
西区满意率较低，不等于“西区顾客更难满意”。它可能因为该区新客更多、配送距离更长、某产品缺货、调查恰逢促销故障，或者样本集中在一个问题门店。分析顺序应先检查未加权基数和不确定性，再比较客户类型、渠道、产品、事件时间和点位结构，最后结合开放回答或运营记录解释机制。
如果调整可观测结构后差异缩小，可以报告“样本构成解释了部分地区差异”；如果差异仍存在，也只能说现有变量未解释，而不是直接归因于文化或地域性格。要判断地区政策导致结果变化，需要更明确的时间对照、自然实验或随机试验设计。地理变量本身通常是描述和定位线索，不是原因。
小区域样本太少时，有三种诚实选择
第一种是合并相邻周期或相似区域，但要确认指标定义、市场环境和问卷没有发生实质变化，并清楚标注合并时间窗。第二种是提高样本量或减少发布层级，把区县上收为城市或区域。第三种是使用小区域估计模型，将直接调查数据与可靠辅助变量结合。
美国人口普查局说明，小区域模型可以在直接样本不足时提高精度，但模型设定错误，或忽略抽样方式与结果相关的情况，会产生偏差。因此，模型结果应与直接估计区分，披露模型、辅助数据、验证和预测误差，不能把模型填充后的彩色地图写成“每个地区都调查了足够多人”。如果团队没有模型诊断能力，减少发布粒度通常比输出虚假精确的小数更稳妥。
从招募到发布的区域抽样清单
- 定义目标总体，并区分常住地、事件地、责任区和市场分组。
- 列出真正需要单独结果的估计域，不为无人负责的切分花样本。
- 为全国指标和每个重点区域分别设定精度或最低证据要求。
- 比较比例、等额和折中分配，计算权重设计效应与预计成本。
- 按预期资格率、完成率和质量通过率反推各区邀请量。
- 限制单一城市、点位和来源的集中度，试投后复核聚类风险。
- 锁定地理字典版本，并在数据表中保存原始字段与派生责任区。
- 监测各区漏斗和关键变量，不在收尾阶段暗中放宽人群条件。
- 全国结果按目标总体结构和抽样设计估计，区域结果报告未加权基数。
- 地图隐藏或合并证据不足的小域，模型结果与直接调查结果分开标注。
需要先确定总体边界时，可结合目标人群定义方法；确定每个估计域需要多少样本，可参考样本量计算与设计效应；超额抽样完成后，再用调查加权基础评估权重与有效样本量。区域分配、样本量和加权是一条设计链，不能到报告阶段才补救。
方法依据与延伸资料
- United Nations Statistics Division：Household Sample Surveys, Chapter 2：估计域以及比例、等额与折中分配的取舍。
- UNSD：Handbook of Surveys on Households and Individuals：地理分层、计划域、超额抽样与权重方差。
- U.S. Census Bureau：Small Area Estimation：直接样本不足时的模型用途、辅助数据和偏差风险。
- AAPOR Disclosure Standards：公开分组结果时披露未加权样本基数和可复核方法。