先釐清權重代表什麼
設計權重修正不相等的抽出機率。校準（raking）權重調整起始權重，讓選定的邊際分布符合外部目標值。次數權重表示一列資料代表好幾筆相同的資料。
三者都會產生加權次數，但並不支持相同的變異數或顯著性計算。分析前請記錄：抽樣設計、起始權重、目標值的來源與時間點、變數、類別對應，以及遺漏值的處理方式。
加權儲存格、百分比與有效樣本數
加權百分比是加權儲存格總和除以該欄的權重總和。Kish 有效樣本數表示要達到同樣精確度所需的未加權個案數；加權造成的設計效應是實際樣本數與有效樣本數的比值。兩者都是權重離散程度的診斷，不是包含分層與集群的完整設計式設計效應。
公式
加權儲存格 = Σ wᵢ · I(列ᵢ = r, 欄ᵢ = c)
加權欄比例 = 加權儲存格 ÷ 欄 c 的 Σ wᵢ
n_eff = (Σ wᵢ)² ÷ Σ wᵢ²
deff = n ÷ n_eff = n · Σ wᵢ² ÷ (Σ wᵢ)²
- 其中
- wᵢ
- 受訪者 i 的正值、有限的權重
- I(·)
- 個案屬於該儲存格時為 1，否則為 0
- n_eff
- Kish 有效樣本數
raking 如何改變權重
raking（反覆比例調整）一次處理一個邊際分布：類別 g 中的每個個案都乘上「目標總和 ÷ g 目前的加權總和」。對所有變數反覆進行，直到最大偏差低於容許值或達到反覆次數上限。這個方法可追溯到 Deming 與 Stephan（1940）。
raking 符合的是指定的邊際分布，並不保證其中每個組合都正確。請檢查是否收斂、最小與最大權重，以及權重的離散程度。截斷極端權重（trimming）能降低變異數，但會讓邊際分布再度偏離目標值；請記錄截斷規則與剩下的偏差。
- 目標值為正的類別都必須有觀察到的個案；空的格子沒有任何權重能補救。
- 記錄目標值的來源、時間點與類別對應。
- 把加權與未加權百分比連同基數並排檢查。
- 不要把加權後的總數當成受訪人數報告。
Crosstabs 會算什麼、不會算什麼
在快速工作區中，數值型的權重欄會保留為候選，但未宣告意義的權重會在產生任何表格或檢定之前被拒絕；不選擇權重時，表格維持未加權。宣告為次數權重時，以整數次數進行一般檢定。宣告為抽樣權重時，顯著性字母來自有效基數檢定（與 SPSS Custom Tables 或 Q 類似的近似），且不提供卡方檢定。
在已儲存的專案中，引導式加權可以建立 raking 權重：你必須為每個觀察到的類別明確輸入目標比例（欄位一開始是空白的），也可以從已儲存的抽樣權重出發並設定截斷。預覽會顯示收斂情形、截斷前後的邊際偏差、權重離散程度與有效樣本數。經你確認後才會套用，新權重也可以復原。
若要做設計式推論，請設定支援的調查設計，使用 Taylor 線性化（分層、集群、有限母體校正）或複製權重；這樣就能得到設計式區間，以及 Rao–Scott 或調整後 Wald 檢定。以校準權重或分析權重做一般推論仍不支援。
加權什麼時候有用、什麼時候沒用
加權改變的是每個人對估計值的貢獻多少，並不會自動消除偏誤。
- 依照有文件記錄的加權程序估計問卷比例。
- 比較加權與未加權的交叉表，找出明顯的變化。
- 讓樣本符合年齡、性別、地區等已知的邊際分布。
- 用極端權重掩蓋涵蓋不足或空的目標類別。
- 把加權次數算出的一般 p 值當成考慮設計的推論來報告。
計算範例
計算範例：從 4 位受訪者到 raking
4 位受訪者，A、B 兩組各 2 人。A 組「是」的權重為 2、「否」為 1，加權後「是」為 66.7%。B 組「是」為 1、「否」為 3，加權後為 25.0%。未加權時兩組「是」都是 50%。請報告加權值，並附上每組未加權的 n = 2；加權基數 3 與 4 不是受訪人數。
小型 raking 範例：200 人的樣本中，男性占 40%，18–44 歲占 40%。目標值為男性 49%、18–44 歲 45%。Crosstabs 的 raking 功能在 3 次反覆後收斂，權重介於 0.771 到 1.398。
修正的代價：有效樣本數降為 191.2，加權造成的設計效應為 1.046。也就是說，信賴區間會比名目樣本數所暗示的寬 √deff = 1.023 倍。
| 儲存格 | 受訪人數 | 權重 |
|---|---|---|
| 男性、18–44 歲 | 30 | 1.398 |
| 男性、45 歲以上 | 50 | 1.121 |
| 女性、18–44 歲 | 50 | 0.961 |
| 女性、45 歲以上 | 70 | 0.771 |
4 位受訪者的例子取自英文版指南；raking 樣本與目標值為說明用的合成資料。權重、有效樣本數與設計效應以 Crosstabs 的 raking 功能算出。