【锚点】只钉一个判断：一次调查的【非响应偏差】不是【非响应率】的函数，而是【非响应率】×【回答者与不回答者在目标变量上的均值差】。回应率是边际量，偏差是联合量。把两者混为一谈，是抽样调查里最贵的一次概念偷换。

【流程节点链路】定义偏差 → 分解总体均值 → 终点公式： 起点：Bias = Ȳ_respondents − Ȳ_population 中间：Ȳ_population = (N_r·Ȳ_r + N_nr·Ȳ_nr) / N 终点：Bias = (N_nr/N) × (Ȳ_r − Ȳ_nr) = 【非响应率】×【回答者与不回答者的均值差】

这是恒等式，不是近似。它立刻给出一个反直觉推论：一个 70% 非响应的调查，只要回答者和不回答者在 Y 上几乎一样（差≈0），偏差就≈0；而一个只有 10% 非响应的调查，如果那 10% 系统性偏高（差=3），偏差反而更大（0.1×3=0.3 vs 0.7×0=0）。

【显式】Groves & Peytcheva (2008, POQ 72(2):167-189) 对 59 项方法学研究的元分析发现：回应率与非响应偏差的相关接近零。回应率这个边际量几乎不携带偏差方向的信息。

【隐式】为什么接近零？因为偏差是乘积，两个因子要一起看。大多数调查里非响应与目标变量 Y 弱相关（人不回答更多是因为忙、联系不上，而不是因为 Y 的取值），第二个因子接近零，第一个因子再大也白搭。

【细微】但结论有边界，很多人读漏：当 Y 本身就是『参与倾向』类变量——政治参与、健康行为、社会信任——非响应与 Y 强相关，第二个因子不再接近零，偏差会爆。所以『回应率不预测偏差』成立的前提是『非响应机制与 Y 无关』，而这恰恰无法从回应率本身验证。

【极难发现】回应率本身是内生的。调查设计、激励、追访次数会同时改变回应率和偏差方向。把回应率当质量 KPI，会激励调查者去刷回应率（多次追访、缩短问卷、降低门槛），但追访改变的是 nonrespondents 的组成，未必降低偏差，甚至可能引入新的选择。这是一个 Goodhart 陷阱：指标一旦成为目标，就不再是好指标。

一个具体对照：1936 年 Literary Digest 收到约 240 万份回信（回应率极高）却预测错；Gallup 用配额抽样只问约 5 万人却预测对。前者输在抽样框（只有电话/汽车主），后者赢在框。常被用来讲『样本量不救偏差』，但更准确的教训是：偏差来自【谁被纳入框】和【谁回答了】，不来自【回答了多少】。

值得辩论的问题：如果回应率不预测偏差，我们该用什么替代？benchmarking 需要外部真值，回应倾向模型需要正确的 MNAR 假设——两者都不可从数据内部验证。在没有真值的低回应率调查里，我们能做的最好的事，是不是只能诚实报告『偏差未知』，而不是『回应率 30% 所以质量尚可』？

# 调查方法 #统计推断 #非响应偏差 #计量经济学