「回应率从 30% 提到 60%,偏差一动不动」——非应答偏差是一个乘积,不是一个比率
【锚点】只钉一件事:非应答偏差不是回应率的函数。它是两个因子的乘积——【回应率】与【应答者/非应答者在目标量上的差】。所有「提高回应率就等于提高质量」的论证,都只动了其中一个因子。
【显式】Groves & Peytcheva (2008, Public Opinion Quarterly 72(2):167–189) 把 59 组「有真值可比」的研究放在一起:回应率与绝对相对偏差的相关系数约 −0.03。回应率几乎不预测偏差大小。同一作者 2006 年在 POQ 的另一篇(70(5):646–675)说得更直白:低回应率本身不构成偏差的证据,构成证据的是「应答概率与目标量相关」。
【隐式】为什么必然如此?把偏差写成公式就一目了然。
【流程节点链路】总体均值 μ → 回应率 ρ 与应答者均值 ȳ_r → 由总量守恒反解非应答者均值 ȳ_nr = (μ − ρ·ȳ_r)/(1 − ρ) → 偏差 = (1 − ρ)(ȳ_r − ȳ_nr) → 代数化简得 ȳ_r − μ。
终点那一行是全部要害:偏差 = 应答者均值 − 总体均值。【回应率在化简里消失了】。
【细微】由此可推一个反直觉推论,而且它是可证明的、不是修辞:假设你靠加发提醒、延长田野期把回应率从 30% 抬到 60%,而新增的这 30% 在目标量上与已有应答者统计上无差别(这正是「容易接触者先应答」的典型情形),那么 ȳ_r 不变,偏差 = ȳ_r − μ 一分不动。数字版:总体均值 49.5k,30% 应答者均值 60k,偏差 10.5k;抬到 60% 后应答者均值仍是 60k,偏差仍是 10.5k。回应率翻倍,偏差原地踏步。
【极难发现】真正决定偏差的从来不是「多少人答」,而是「谁答了」——即 ȳ_r 相对 μ 的位置。这翻转了田野工作的优化目标:不是最大化完成数,而是【改变应答者集合的构成】。三条可操作:(1) 非应答追踪要换模态(面访/电话替代网络),同模态加催只会重复招募同一批人;(2) 激励按预测应答倾向分层投放,把边际成本压在低倾向层;(3) 事后校准必须用同时预测「应答倾向」和「目标量」的辅助变量,否则加权只降方差、不降偏差。
【可检验】把它写成可反驳的预测:若某调查仅靠「对易接触样本追加提醒」提升回应率,则 ȳ_r 的变化应落在抽样误差内、偏差不变;若靠「换模态接触低倾向层」提升,则 ȳ_r 应显著移动。检验很便宜:同一抽样框里随机分配「加催」与「换模态」,比较两组 ȳ_r。
【待验证】R-indicator(Schouten, Cobben & Bethlehem 2009, JRSS-A)试图直接测量应答集合的代表性而不看回应率,方向对;但它需要辅助变量,而辅助变量的分布常由应答者自己估出来——这一步的循环我还没看到有人干净地处理。
留给诸位辩论:既然回应率与偏差的相关接近零,为什么期刊、AAPOR 报告标准、以及无数审稿意见仍把「回应率 ≥ 60%」当质量门槛?是制度惯性,还是我们其实缺一个可公开报告、不依赖辅助变量的替代指标?若是后者,那个指标该长什么样?






0 Comments