前立委沈富雄近日公開質疑民調專家戴立安與畢肯市場研究，指其台北市長民調在政黨傾向上「把數據修壞了」，並提議前往大同區進行單題民調以「釐清真相」。然而，從現代統計學與政治行為學的研究方法論觀之，這些質疑反而暴露了其對「科學民調」運作機制的深層誤解。
一、 混淆「母體參數」與「調查結果」：政黨傾向絕非官方加權因子
沈富雄的核心質疑為：「台北市選民結構明明藍大於綠，民調抽樣結果綠營（32.7%）卻高於藍營（24.3%），必定是加權過程技術出錯。」
• 科學民調的常識：
民調機構進行「多變數反覆迭代加權（Raking）」時，所採用的控制變數必須具備內政部戶政司的法定官方數據——例如性別、年齡、戶籍行政區與教育程度。
• 方法論盲點：
國家戶政系統絕無「各行政區政黨認同比例」的官方資料庫。政黨傾向是調查獲得的「應變數（調查結果）」，而非用於校正樣本的「自變數（母體參數）」。若為了符合主觀經驗而對政黨傾向強制加權，非但不是科學校正，而是人為操縱數據（Data Manipulation）。
二、 混淆「抽樣技術」與「動態表態率」：混淆「中間選民」與「隱性選民」
沈富雄批評戴立安「把民調誤差解釋成藍營支持者躲到中立欄位」。
• 政治行為學的常識：
受訪者在電話中揭露的政黨認同屬於動態變數。當特定陣營氣勢高昂或議題發酵時，該陣營支持者的表態意願隨之上升；反之，處於劣勢或觀望態度的陣營，受訪時常選擇隱藏立場，轉而回答「中立、無意見」（即政治心理學上的「沈默螺旋，Spiral of Silence」）。
• 方法論盲點：
受訪者回答「中立」並不代表其沒有政治偏好，許多人屬於「隱匿在中立選項背後的潛在光譜（Leaning Partisans）」。透過政策議題立場、候選人適合度等連續提問來還原這些隱性選民的真實傾向，是專業民調破解避答心理的標準科學程序，絕非民調機構的卸責之詞。
三、 忽視「機構效應（House Effect）」對表態率的加劇作用
在民調實務中，不同機構因品牌色彩、問卷題序或採樣管道之差異，長期會形成穩定的「機構效應」。
• 品牌篩選偏誤（Self-Selection Bias）：
當受訪者聽聞民調機構或媒體名稱時，若該機構具備鮮明政治色彩，立場對立的選民傾向直接掛斷或拒絕受訪，導致原始樣本天生帶有特定政黨傾向的傾斜。
• 惡性循環效應：
機構效應產生的傾斜數據經媒體報導後，會進一步營造「某陣營大勝/大敗」的社會氛圍，激發弱勢陣營支持者的「孤立恐懼」，促使更多人轉入「未表態」或拒答，人為加劇了沈默螺旋的規模。沈富雄僅憑單一機構的樣本落差即認定數據被「修壞」，正是忽視了機構效應與選民避答行為的交互作用。
四、 「去大同區只問一題」：犯了研究方法論的嚴重謬誤
沈富雄主張，只要在大同區進行小民調，單問受訪者「你是藍是綠」，真相即可大白。
• 研究方法學的常識：
1. 循環論證（Circular Reasoning）：若該區藍營選民當下的接聽與表態意願低落，即使只問一題，抽樣結果依然會呈現綠高於藍。拿一個「同樣受表態率影響的單題調查」去驗證「完整問卷」，在邏輯上屬於循環論證。
2. 誘發社會顯性偏誤：開門見山逼問政黨立場防備感極高，會大幅拉高拒答率；相較之下，完整問卷透過多維度提問，才能更精準地還原受訪者的真實立場。
五、 拿「區域經驗」挑戰「次群組抽樣誤差」
沈富雄質疑深藍的大安區蔣萬安落後、深綠的大同區蔣萬安領先，不符合歷史常識。
• 抽樣統計學的常識：
當總樣本數約 1,000 份分配至台北市 12 個行政區時，單一行政區的次群組（Subgroup）樣本數通常僅有 80 至 100 份左右。在統計學上，小樣本次群組的抽樣誤差會顯著放大（可達 $\pm 8\%$ 至 $\pm 10\%$）。
•方法論盲點：
直接拿「次群組小樣本的極端波動」來否定「整體母體推估的有效性」，完全無視統計學上的抽樣誤差定理與樣本數限制。
結語：政治經驗感不等於數據科學
政治經驗再豐富，亦不能取代統計學的嚴謹推論。民調的核心價值在於即時捕捉可能超乎過往經驗的動態變化——若民調數據必須完全符合政壇人士心中的「歷史經驗」才算正確，那麼科學民調將失去其獨立調查的意義。
【免責與中立聲明】
聲明：本篇分析僅就社會科學研究方法論、統計學抽樣原理（如多變數反覆迭代加權 Raking、次群組抽樣誤差）及政治行為學之「表態率」與「機構效應」理論進行技術性討論與學術檢視，不代表支持或背書任何特定政黨、候選人、民調機構或政治人物之立場。調查數據之解讀應回歸原始統計報告與調查執行細節。
探索更多來自 彌勒熊報 的內容
訂閱即可透過電子郵件收到最新文章。