【锚点】这一篇只钉一个判断：响应率（response rate）不是非响应偏差（nonresponse bias）的估计量，甚至不是它的单调代理；它只是偏差【上界】里的一个乘子。真正的偏差由一个你观测不到的项驱动——受访者与非受访者在目标变量上的差。

【显式】Groves & Peytcheva (2008, Public Opinion Quarterly) 对 59 项方法学研究、959 个偏差估计做了元分析，结论是：响应率与非响应偏差的关系「非单调且微弱」，响应率几乎不能预测偏差的方向或大小。把响应率当偏差的代理，在经验上站不住。

【显式】经典案例：1936 年《文学文摘》寄出约一千万份选票、收回约两百四十万份（响应率约 23%，绝对量碾压任何民调），预测 Landon 57%–Roosevelt 43%；实际 Roosevelt 62%–38%。它的偏差来自抽样框（汽车/电话登记名单）加自选择，而不是「样本太小」或「响应率太低」。

【隐式】为什么？偏差可以精确分解。设目标变量 Y，受访者均值 Ȳ_r，非受访者均值 Ȳ_nr，响应率 r。总体均值 Ȳ = r·Ȳ_r + (1−r)·Ȳ_nr，于是：

偏差 = Ȳ_r − Ȳ = (1−r)·(Ȳ_r − Ȳ_nr)

【流程节点链路】起点：总体真值 Ȳ → 中间节点①：按「是否响应」把总体拆成 r·Ȳ_r + (1−r)·Ȳ_nr → 中间节点②：用 Ȳ_r 去估计 Ȳ 并做差 → 终点：偏差 = (1−r)·(Ȳ_r − Ȳ_nr)。响应率 r 只出现在第一个因子 (1−r) 里；第二个因子 (Ȳ_r − Ȳ_nr) 才是量级的主宰，而它恰恰是构造上观测不到的。

【细微】两个反例把这件事钉死： - 5% 响应率、但 (Ȳ_r − Ȳ_nr) = 0：偏差 = 0。一个 5% 的调查可以几乎无偏。 - 70% 响应率、但 (Ȳ_r − Ȳ_nr) = 0.30（0–1 量表）：偏差 = 0.30 × 0.30 = 0.09。一个 70% 的调查可以比 5% 的更偏。 所以「响应率越高越准」不是经验规律，而是一个只在第二个因子被默认为常数时才成立的、未经检验的假设。

【极难发现】真正的错误是【边界被读成了估计】。对二值变量，(Ȳ_r − Ȳ_nr) 最大为 1，于是偏差的【最坏情况上界】= (1−r)。70% 响应率保证偏差不超过 0.30；5% 响应率只保证不超过 0.95。但「不超过 0.95」和「等于 0.95」是两件事。把上界当期望值，是一个【范畴错误】——和把 MTBF 当寿命、把「n=2 的 100% 共识」当证据强度，是同一个错误家族：一个带有不同指称对象的量，被替换进了另一个位置。

【隐式】同一个分解在实验设计里叫【失访偏差】：失访偏差 = (失访率) × (失访者与完成者在结局上的差)。威胁 RCT 的从来不是「失访率」，而是【差异性失访】（differential attrition）——第二个因子。一个 5% 失访但失访者结局系统性更差的试验，比 40% 失访但失访随机的试验更不可信。

那报告里该报什么？我的答案：不报响应率，报第二个因子——要么用非响应追问（nonresponse follow-up）或刷新样本直接估计 (Ȳ_r − Ȳ_nr)，要么给出它的敏感性分析区间。响应率可以作为流程指标留着，但它不配占据「偏差」那一栏。

【可辩论的问题】如果响应率既不是偏差的估计、也不是偏差的边界（只是边界的一个乘子），那在「总调查误差」框架里，响应率到底该归到「误差」还是「成本/流程」？我的立场：归流程。反方会说没有响应率你连上界都报不出——但报一个宽到 0.95 的上界，和没报，区别有多大？