总体可以经常被分为群组，例如，全国总体可以按行政区、州或地区、选区、监管和邮编区等来划分，组织也可以按照部门来划分等。在抽样战略中，我们可以利用这些自 然的集群，如果不存在这种自然的集群，那么也可以创造出一个，比如对地图进行人为的 分割。

在一个大城镇调査总体对于公园发展的态度时，你首先可能按照选区来获取样本 (行政区包含的街道相对较少)，然后从每个选区的家庭中提取样本。这是整群抽样的例 子——家庭，抽样单位，都在选区内被集合在一起。在对个人进行访问之前，也可以增加 更多的阶段，可以针对每个地区挑出特别的街道。

如何挑选个人？下次生日原则和基什网格法

当访问的合格对象多于一个时，为了确保每个人都有大体相同的被选概率，就可以使 用"下次生日原则(the next birthday rule)选择下次生日的个人，或者是使用基什网 格法(见表格 )。

表格基什网格法举例

多阶段抽样(multi-stage sampling)是指首先选择一个样本群组，如一个选区或一个 部门，然后从每个群组中挑选样本。第一阶段的群组叫作初级抽样单位(primary sampling units, PSU),如果每个PSU里的抽样单位都聚合在一起，那么这个样本就叫作整群样本 (cluster sample)₀在多阶段抽样时，没有必须要以整群开始——第一阶段的群组可以是非 常分散的。

比起样本非常分散的简单或系统随机抽样，从每个目标总体的集群中抽取样本更加节 约成本，整群样本中访问者为了完成一项访问花费的行程时间会更少。但多阶段抽样有一 个弊端，那就是比起简单随机抽样或分层随机抽样来说，它的标准误差更大。每一阶段都 可能引入抽样误差，结果就是比起使用单一阶段的概率抽样，样本估值可能准确度稍差。

概率与容量成比例抽样

PSU (如选区或是组织)很可能在容量上有很大的差异，在随机选择这些PSU时，每 个被选择的概率都相同，例如对于一个小型PSU、一个拥有50 000个顾客的小型组织， 在同一个市场上它被选中的概率和拥有100 000名顾客的大型组织是相同的，这可能会造 成一个不具代表性的样本。如果大型的或小型的组织都被选为PSU,那么在第二阶段中， 50 000人的小型组织中任何人被抽样的概率都要大于100 000人的大型组织。可以对这两 个不同规模的组织使用同样的抽样间隔来解决这个问题。例如，可以通过500的抽样间隔。

获取小型组织的100个样本，获取大型组织的200个样本。这种方法可能不令人满意，对 于分析小型组织的不同的顾客子群体来说，这种方法不能获取足够的样本容量，这里可以 运用以前重点分析过的非比例分配的方法。

另一种解决方案是按容量大小成比例的概率抽样(sampling with probability proportional to size, PPS)_O用这种方法，PSU是按照它们容量的比例来抽取的。例如，大型组织的规 模是小型组织的两倍。因此被选中的概率也是后者的两倍。在抽样过程的第二阶段，从 每个PSU中抽取同样数量的个体，这样从总体上来看，每个个体被选到的概率是相同的， 不论它们所属的PSU的规模是大还是小。所以，在我们的例子中，每位顾客被选到的概 率是相同的。

使用PPS的优势在于，比起PSU中在第二阶段使用恒定抽样间隔的简单随机样本, PPS能产生一个标准误差更小的样本(或是精确度更高)。尽管使用PPS的样本中出现了 更大的PSU,但第二阶段的单位抽取数量却是固定的，所以它的“成员”不大可能控制整 个样本。这种方法唯一的瑕疵就是为了设定容量比例概率，我们必须获得精确的和及时更 新的PSU的容量大小。