“Survey ต้องมี 400 คนถึงจะเชื่อถือได้”
ประโยคนี้ได้ยินกันบ่อยจนหลายคนใช้เป็นกฎเริ่มต้นของงาน Quantitative Research
แต่ในทางสถิติ ตัวเลข 400 ไม่ใช่มาตรฐานที่ใช้ได้กับทุก Survey
บางงาน 200 คนอาจเพียงพอต่อ Decision ที่ต้องการ บางงาน 1,000 คนก็ยังไม่พอ และบางครั้งการมี 400 คนก็ไม่ได้ช่วยอะไร หาก Sample ถูกเลือกผิดกลุ่มหรือไม่สามารถตอบ Business Question ที่ตั้งไว้ได้
จำนวนตัวอย่างจึงควรมาจาก สิ่งที่ต้องการประมาณ ความแม่นยำที่ต้องการ โครงสร้างประชากร และ Analysis Plan มากกว่าการเลือกเลขคุ้นเคยไว้ก่อน

400 คนไม่ใช่มาตรฐานสากลแต่เป็นผลจาก Assumption ชุดหนึ่ง
ตัวเลขประมาณ 400 คนที่ใช้กันบ่อยมาจาก Sample Size Formula สำหรับการประมาณ Population Proportion ในประชากรขนาดใหญ่
เมื่อใช้:
- 95% Confidence Level
- ±5% Margin of Error
- Expected Proportion = 50%
- ประชากรมีขนาดใหญ่
Cochran's formula ให้ Sample Size ประมาณ 384.16 คน หรือปัดขึ้นเป็น 385 คน
แต่หากเปลี่ยน Margin of Error เป็น ±3% Sample Size จะเพิ่มเป็นประมาณ 1,068 คน และหากประชากรจริงมีเพียง 1,000 คน การใช้ Finite Population Correction จะทำให้ Sample Size ภายใต้เงื่อนไข 95% / ±5% ลดเหลือประมาณ 278 คน
ดังนั้นคำถามที่ถูกต้องไม่ใช่ “Survey ต้อง 400 คนไหม?” แต่คือ “เราต้องการประมาณอะไร ด้วยความแม่นยำเท่าไร และจะวิเคราะห์กลุ่มย่อยอะไรบ้าง?”

ตัวเลข “400 คน” มาจากไหน?

หนึ่งในสูตรที่ใช้กันแพร่หลายสำหรับการประมาณ Sample Size ของสัดส่วนคือ Cochran's formula:
n₀ = Z² × p × (1 − p) ÷ e²
โดย:
Z = ค่า Z ตาม Confidence Level
p = Expected Population Proportion
e = Margin of Error ที่ยอมรับได้
หากกำหนด:
Z = 1.96 สำหรับ 95% Confidence Level
p = 0.50
e = 0.05 หรือ ±5%
จะได้:
n₀ = 384.16
ดังนั้นเมื่อปัดขึ้นจะได้ 385 respondents สำหรับ Population ที่มีขนาดใหญ่มากหรือไม่ทราบขนาด
เหตุผลที่ใช้ p = 0.5 เมื่อยังไม่รู้สัดส่วนล่วงหน้า เพราะค่า p(1-p) จะสูงสุดที่ 0.5 ทำให้ได้ Sample Size ที่ Conservative ที่สุดภายใต้สูตรนี้
ดังนั้น “400 คน” จึงเป็นการปัดจำง่ายจากประมาณ 385 มากกว่าจะเป็นกฎว่าทุก Survey ต้องมี 400 คน

ทำไมเปลี่ยน Margin of Error แล้ว Sample Size เปลี่ยนมาก?

เพราะ Margin of Error อยู่ในส่วนยกกำลังสองของสูตร
ภายใต้ p = 0.5 และ Population ขนาดใหญ่:

• 95% Confidence, ±5% Margin of Error → ประมาณ 385 คน
• 95% Confidence, ±3% Margin of Error → ประมาณ 1,068 คน
• 99% Confidence, ±5% Margin of Error → ประมาณ 664 คน

นี่ทำให้เห็นว่า “อยากให้แม่นขึ้นนิดหน่อย” อาจต้องใช้ Sample เพิ่มมาก

±5% Margin of Error แปลว่าอะไร?

สมมติ Survey พบว่า 50% ของผู้ตอบเลือก Brand A
หากเงื่อนไขของ Sampling และการประมาณ Confidence Interval เหมาะสม และ Margin of Error อยู่ที่ ±5 percentage points เราจะตีความช่วงประมาณการรอบค่าดังกล่าวกว้างประมาณ 45%–55% ที่ Confidence Level ที่กำหนด
แต่ Margin of Error นี้ครอบคลุม Sampling Error ภายใต้ Model/Design ที่กำหนด ไม่ได้ครอบคลุมความผิดพลาดทุกชนิด เช่น:

• คำถามลำเอียง
• คนที่ไม่ตอบ Survey
• Recruitment ผิดกลุ่ม
• ผู้ตอบไม่ตั้งใจตอบ
• Coverage Error
• Weighting Error
• Measurement Error

ดังนั้น Sample ใหญ่ขึ้นไม่ได้แก้ Survey Design ที่ไม่ดีโดยอัตโนมัติ

Population Size มีผลหรือไม่?

มี แต่ไม่ใช่ในแบบที่หลายคนคิด
สำหรับ Population ที่ใหญ่มาก Sample Size ที่ต้องใช้ภายใต้ Margin of Error เดิมจะไม่เพิ่มตามจำนวนประชากรแบบเส้นตรง
นี่คือเหตุผลที่ภายใต้ 95% Confidence, ±5% Margin of Error และ p = 0.5 การสำรวจประชากรหลายแสนหรือหลายล้านคนก็ยังได้ Base Sample ใกล้ประมาณ 385 คน
แต่ถ้า Population มีขนาดเล็ก เราสามารถใช้ Finite Population Correction (FPC) เพื่อลด Sample Size ได้
สูตรปรับคือ:
n = n₀ ÷ [1 + (n₀ − 1)/N]
ตัวอย่าง หาก Population มี 1,000 คน และ n₀ = 384.16:
Adjusted Sample จะอยู่ประมาณ 278 คน

แล้วทำไมบางงานมี 400 คนแล้วยังไม่พอ?

เพราะ Total Sample Size ไม่ใช่สิ่งเดียวที่ต้องคิด

1. ต้องการวิเคราะห์หลาย Subgroup

สมมติมี Sample รวม 400 คน แต่ต้องการเปรียบเทียบ:
Bangkok vs. Upcountry
Male vs. Female
Age 18–24 / 25–34 / 35–44 / 45+
เมื่อแบ่ง Sample ออก จำนวนในแต่ละ Cell จะลดลงอย่างรวดเร็ว
หากต้องการ Estimate แต่ละ Segment ด้วย Precision ใกล้เคียงกัน อาจต้องออกแบบ Sample โดยคิดจาก Subgroup Analysis ตั้งแต่ต้น ไม่ใช่เก็บ 400 คนแล้วค่อยแบ่งทีหลัง
ตัวอย่าง:
400 คน ÷ 4 Age Groups = เฉลี่ย 100 คนต่อกลุ่ม
Sample 100 คนให้ Sampling Precision กว้างกว่า Sample 400 คนอย่างชัดเจน
ดังนั้นคำถามคือ:
เราต้องการความแม่นยำที่ระดับ Total Sample หรือระดับ Segment?

2. ต้องการหาความแตกต่างเล็ก ๆ

ถ้าต้องการรู้เพียงว่า Awareness อยู่ประมาณ 40% หรือ 60% Sample หนึ่งระดับอาจพอ
แต่ถ้าต้องการแยกว่า Campaign A ได้ 51% และ Campaign B ได้ 54% ต่างกันจริงหรือเป็น Sampling Variation จำนวนตัวอย่างที่ต้องใช้จะขึ้นกับ Effect Size และ Statistical Power
ในกรณีนี้ การใช้สูตร “385 คน” สำหรับ Margin of Error ของ proportion ไม่ได้ตอบ Sample Size สำหรับ Hypothesis Test โดยตรง

3. Sampling Design ซับซ้อน

Cochran's formula แบบพื้นฐานสมมติกรอบใกล้เคียง Simple Random Sampling
หากใช้ Cluster Sampling, Multi-stage Sampling หรือ Design ที่เพิ่มความคล้ายกันภายใน Cluster อาจต้องนำ Design Effect มาปรับ Sample Size
ดังนั้น 385 คนจาก Cluster Design ไม่ได้มี Precision เท่ากับ 385 คนจาก Simple Random Sample โดยอัตโนมัติ

4. คาดว่าจะมี Non-response หรือข้อมูลใช้ไม่ได้

หากต้องการ 385 usable completes แต่คาดว่าบางส่วนจะไม่ตอบครบหรือไม่ผ่าน Quality Check ต้อง Recruit มากกว่า 385 คน
เช่น หากคาดว่า 10% ใช้ไม่ได้:
จำนวน Recruit ที่ต้องเริ่มต้นย่อมสูงกว่า Final Usable Sample
ดังนั้นต้องแยก:
Sample invited / recruited
ออกจาก
Final valid completes

แล้วเมื่อไร Survey น้อยกว่า 400 คนอาจพอ?

มีหลายสถานการณ์ ตัวอย่างเช่น:

Population มีขนาดจำกัด

หากมีลูกค้า Active เพียง 800 คน Finite Population Correction อาจทำให้ Required Sample ต่ำกว่า 385

Decision ยอมรับความคลาดเคลื่อนกว้างขึ้น

Exploratory Survey สำหรับ Directional Decision อาจยอมรับ ±7% หรือ ±10% ได้ในบางบริบท แต่ต้องเขียนให้ชัดว่า Precision ต่ำกว่า

จุดประสงค์ไม่ใช่ประมาณ Population Percentage

Survey บางงานอาจใช้เพื่อ:

• Pilot Questionnaire
• Test Scale Reliability
• Explore early pattern
• Internal employee pulse
• Generate Hypotheses

Sample Size จึงควรกำหนดจากวัตถุประสงค์และ Analysis Method ไม่ใช่ Margin of Error สูตรเดียว

ตัวอย่าง: 100, 400 และ 1,000 คน ต่างกันอย่างไร?

เพื่อให้เห็นภาพง่าย ภายใต้สมมติฐานใกล้ Simple Random Sampling และ proportion ประมาณ 50%:
Sample 100 คนให้ Margin of Error โดยประมาณกว้างกว่า ±10 percentage points ที่ 95% confidence
Sample ประมาณ 385 คนให้ประมาณ ±5 percentage points
Sample ประมาณ 1,068 คนให้ประมาณ ±3 percentage points
สิ่งที่น่าสนใจคือ การลด Error จาก ±5 เป็น ±3 ไม่ได้เพิ่ม Sample เพียง 40–50%
แต่เพิ่มจากประมาณ 385 เป็นมากกว่า 1,000 คน

Sample Size ใหญ่ ไม่ได้ชดเชย Sample ที่ผิด

ลองสมมติมี Survey 5,000 คน ฟังดูแข็งแรงกว่าการสำรวจ 400 คนมาก
แต่ถ้าทั้ง 5,000 คนมาจาก Followers ของ Brand ใน Social Media แล้วนำไปสรุปว่าเป็น “ความคิดเห็นของคนไทยทั้งหมด” ปัญหาหลักคือ Sampling Frame และ Selection Bias ไม่ใช่จำนวน Sample
ในทางกลับกัน Sample ที่เล็กกว่าแต่ Recruit จาก Target Population ด้วยวิธีที่เหมาะสมอาจมีประโยชน์ต่อ Decision มากกว่า นี่เป็นเหตุผลที่ต้องแยก:
Sample Size - มีกี่คน ออกจาก
Sample Quality - คนเหล่านั้นมาจากใครและถูกเลือกอย่างไร
BEE Research Knowledge เน้นหลักเดียวกันว่า Quantitative Research ต้องมี Target ที่ชัด Sample ที่เหมาะสม คำถามที่ Valid และฐานการเปรียบเทียบที่ถูกต้อง

ถ้า Survey มี 400 คน เราพูดว่า “95% เชื่อถือได้” ได้ไหม?

ไม่ควรพูดแบบนั้น 95% Confidence Level ไม่ได้แปลว่า: “ผล Survey นี้ถูกต้อง 95%”
และ Sample 400 คนก็ไม่ได้ทำให้ Survey มี “ความน่าเชื่อถือ 95%” โดยอัตโนมัติ
Confidence Level เป็นแนวคิดเกี่ยวกับพฤติกรรมของ Confidence Interval ภายใต้กระบวนการ Sampling ที่กำหนด ไม่ใช่คะแนนคุณภาพรวมของ Survey
Survey ยังสามารถผิดได้จาก:
- Question Wording
- Coverage Error
- Non-response
- Selection Bias
- Data Processing
- Fraud / Low-quality Respondents
- Incorrect Weighting
ดังนั้นคำว่า “95% Confidence” ต้องอยู่คู่กับ Assumption ของการสุ่มและวิธีประมาณเสมอ

อย่าคำนวณ Sample Size ก่อนรู้ว่าจะวิเคราะห์อะไร

ก่อนเปิด Calculator ให้ตอบ 6 คำถาม:

1. Target Population คือใคร?
2. Primary Metric ที่ต้องการ Estimate คืออะไร?
3. ต้องการ Precision หรือ Margin of Error เท่าไร?
4. ต้องการ Confidence Level เท่าไร?
5. ต้องวิเคราะห์ Subgroup อะไรบ้าง?
6. Sampling Design และคาดการณ์ Non-response เป็นอย่างไร?

จากนั้นจึงเลือกวิธีคำนวณ Sample Size ให้ตรงกับ Analysis
หาก Outcome เป็น Proportion อาจใช้สูตรแบบ Cochran
หากต้องเปรียบเทียบ Means หรือ Proportions ระหว่างกลุ่ม ควรคิด Sample จาก Effect Size และ Power
หากใช้ Regression, Conjoint, MaxDiff หรือ Segmentation การกำหนด Sample Size ต้องดู Requirement ของ Method เพิ่ม
ดังนั้น Sample Size ไม่ควรเกิดจากคำว่า: “ปกติงาน Survey ใช้ 400 คน”

วิธีคิด Sample Size แบบ Decision-led

แทนที่จะเริ่มจากจำนวนคน ลองเริ่มจาก Decision ตัวอย่าง:
Decision: จะ Launch Product A หรือ B?
Metric: Purchase Intent / Concept Preference
Analysis: เปรียบเทียบสอง Concept และดู 3 Customer Segments
Precision Needed: ต้องแยก Difference ที่มีความหมายทางธุรกิจได้
Sample Design: แต่ละ Segment ต้องมี Base เพียงพอ
ตรงนี้ Total N อาจมากกว่า 400 แม้ Market Size จะไม่ใหญ่มาก เพราะ Requirement หลักมาจาก Comparison ไม่ใช่เพียง Estimate Total Market
อีกตัวอย่าง: Decision: ต้องการรู้ว่า Customer Satisfaction โดยรวมอยู่ราวระดับไหนสำหรับ Internal Pulse
หากไม่ต้อง Compare Subgroups มาก และยอมรับ Precision ที่กว้างขึ้น Sample ต่ำกว่า 400 อาจเพียงพอ
Sample Size จึงเป็นส่วนหนึ่งของ Decision Design ไม่ใช่ ritual ของงานวิจัย

7 คำถามก่อนตอบว่า “ควร Survey กี่คน?”

1. ต้องการ Estimate หรือ Compare อะไร?
2. Population Size เท่าไร?
3. ต้องการ Margin of Error เท่าไร?
4. Confidence Level เท่าไร?
5. Expected Proportion หรือ Variability ประมาณเท่าไร?
6. ต้องอ่านผลระดับ Total หรือ Subgroup?
7. Sampling Method, Design Effect และ Non-response ต้องเผื่อหรือไม่?

หากยังตอบคำถามเหล่านี้ไม่ได้ การตอบว่า “400 คน” ยังเร็วเกินไป

สรุป: Survey ไม่ได้ต้องมี 400 คน แต่ต้องมี Sample ที่เหมาะกับคำถาม

ตัวเลขประมาณ 385 คน มีที่มาทางสถิติจริง แต่เกิดภายใต้เงื่อนไขเฉพาะ:
95% Confidence Level
±5% Margin of Error
p = 0.5
Population ขนาดใหญ่
Sampling Assumption ที่เหมาะกับสูตร
เมื่อ Assumption เปลี่ยน Sample Size ก็เปลี่ยน
ต้องการ ±3% → Sample มากกว่า 1,000
Population มี 1,000 คน → อาจใช้ประมาณ 278 ภายใต้ FPC
ต้องเปรียบเทียบหลาย Segment → Total Sample อาจต้องมากกว่า 400
และที่สำคัญที่สุด:
Sample ใหญ่ไม่ได้แก้ Sample ที่เลือกผิด
ก่อนถามว่า:
“Survey ต้องกี่คน?”
ให้ถามก่อนว่า:
“เราต้องการใช้ผล Survey ตัดสินใจอะไร ต้องการความแม่นยำระดับไหน และต้องอ่านผลกับใครบ้าง?”
เมื่อ Business Question และ Analysis Plan ชัด Sample Size จึงจะมีความหมาย