運用「時間序列」（time series）資料進行分析時,經常面臨的難題在於，不同時間的數據所呈現的「波動性」（volatility），可能來自於抽樣誤差。鑑此，本文旨在引介美國政治學界所發展出的 Samplemiser 統計方法，藉以區分抽樣誤差與實際波動。首先，本文援引初步範例，說明 Samplemiser 的適用性與重要性。其次，Samplemiser 運用 Kalman filtering 和 smoothing 的估計方式，對於時間序列資料進行分析與預測，本文針對其統計邏輯進行說明。再者，本文依據 TVBS 民調資料，以 2004 年總統大選陳水扁與連戰的支持度進行實證分析。經過 Samplemiser 處理後的民調資料顯示，兩組候選人支持度的平均變動，皆比處理前改善許多；這表示資料中因抽樣誤差所導致的變化已被排除，更能反應出實質的民意趨勢。資料亦證實，「自我迴歸參數」（autoregressive parameter）——表示前後兩期實際支持率之關係——的設定，會影響分析結果。儘管 Samplemiser 仍有若干限制，由於 Samplemiser 4.0 線上網路統計軟體已經相當便利，操作甚為簡易，值得引薦。