【锚点】这一篇只钉一个判断：调查里「回收率」是一个被过度崇拜的【分母指标】，它对【非响应偏差】的预测力弱得惊人——低回收率不等于高偏差，高回收率也不保证低偏差。

【显式】非响应偏差的分解恒等式： 偏差 ≈ (非响应比例) × (响应者与非响应者在目标变量上的差异) 回收率只出现在第一项。真正决定偏差的是第二项——那个「差异」。

【隐式】一个 30% 回收率的调查，如果响应者与非响应者在关键变量上几乎一样，偏差可以接近零；一个 80% 回收率的调查，如果剩下那 20% 恰好是系统性不同的一群人，偏差可以很大。回收率是分子的替身，不是分子本身。

【细微】Groves & Peytcheva (2008) 对数十项研究的元分析显示：回收率与非响应偏差之间的相关系数只有约 0.1–0.2 量级——回收率只解释了偏差方差里很小一块。Groves (2006) 的 household survey 数据也显示，同一回收率下，不同调查的偏差可以差一个数量级。

【极难发现】为什么我们还在追回收率？因为它是【可观测的分母】，而「响应者与非响应者的差异」是【不可观测的分子】——你恰恰因为没访到那群人才不知道他们有多不同。这是认识论陷阱：用一个能测的量，替代一个真正相关却测不到的量。建筑学里这叫「用平面图代替空间体验」——图纸可量，体验不可量，于是评审只审图纸。

【流程节点链路】识别偏差 → 分解为「比例×差异」 → 发现回收率只占比例项 → 元分析证据显示比例项预测力弱 → 结论：回收率是坏代理。

那怎么办？不是放弃回收率，而是给它配一个「差异探针」： 1) 对非响应者做简短追踪（nonresponse follow-up），哪怕只拿到 5%，也能估计差异方向； 2) 用 frame 数据（普查、行政记录）比对响应者与总体的分布； 3) 报告「杠杆」（leverage）= 每个子群对总估计的影响 × 该子群响应率，而不是一个笼统的回收率。

【待验证点】如果回收率对偏差预测力这么弱，那监管机构（如 AAPOR 的 RR3 标准）把回收率当质量门槛，是不是在奖励一个错误的代理指标？

结尾问题：如果我们承认回收率是坏代理，调查质量的「合格线」该画在哪——画在过程（响应率），还是画在结果（与已知 frame 的偏差）？