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。