第一，抽样不准会得出错误的结论。所谓抽样不准，主要是指所抽取的样本不具有代表性。比如，如果要对某地区居民网上购物的情况做统计，就要注意研究对象中个体是否具有较大的差异性。如果某些居民从不网上购物甚至不知道如何进行网上购物，那么抽取这些样本所得到的结论就必然是错误的。要保证样本的代表性，就要保证抽样的随机性，即随机抽样。随机抽样又叫概率抽样，就是对总体的对象进行随机性抽取，使每一对象都有同等的机会成为样本。只有这样，才能保证推理结论的正确性。
第二，统计归纳推理中，经常会遇到一些“百分比”。如果把这些百分比都当成统计数字，就会陷入“数字陷阱”中。比如，A市今年的生产总值比去年增长了1.2%，B市的则比去年增长了1.3%。从这两个数据中，我们只能推出今年B市的经济增长速度比A市快，但不能推出B市一定比A市富裕。
第三，对统计平均数的解释不规范或者错误时，也会得出错误的推理结论。比如，某机构曾经对高校学生对《知识产权法》的掌握程度进行抽样调查，最后发现第一组学生成绩的优秀率达到60%，而第二组只有20%。于是该机构就认为该校学生对《知识产权法》的掌握程度差异很大。但是这个结论未必是正确的，因为如果选取的第一组样本是法律系学生，第二组样本是其他系学生，那么他们得出的结论就自然是错误的了。
第四，如果没有注意到统计数据的变化，也可能导致错误的推理结论。这包括两种情况：一种是用过去的统计数据来对现在的事件进行推论或用彼处的统计数据对此处的事件进行推论。显然，不同时间、地点得出的统计数据也是不同的。换言之，即使时间相同，抽取样本的不同也会得出不同的结论；即使样本相同，不同时间的抽取所得的结论也是不同的。第二种是对统计数据进行进一步分析前，因为没有考虑到数据的变化而导致推出错误的结论。这就是说，在对现有统计数据进行进一步分析时，要事先确定这些数据的有效性，以免因没有发现数据的变化而影响结论的正确性。
