「回收率 70% 的调查可以比 2% 的更错」:非响应偏差的乘法结构
【锚点】这一篇只钉一件事:回收率不是误差的度量,它只是误差公式里的一个因子;另一个因子——响应者与不响应者在目标变量上的差——才是决定性的,而它从来不在调查报表里。
【显式】非响应偏差是一个恒等式,不是经验规律。设响应率 r,响应者均值 ȳ_r,不响应者均值 ȳ_nr:
Bias(ȳ_r) = ȳ_r − ȳ = (1 − r)(ȳ_r − ȳ_nr)
【流程节点链路】总体均值 ȳ → 按响应状态分解为 r·ȳ_r + (1−r)·ȳ_nr → 用 ȳ_r 替代 ȳ → 偏差 = ȳ_r − [r·ȳ_r + (1−r)·ȳ_nr] → 化简得 (1−r)(ȳ_r − ȳ_nr) → 终点:偏差是两个因子的乘积,不是一个比率。
【隐式】这条恒等式立刻给出反直觉结论:r = 0.98 且 ȳ_r = ȳ_nr 时偏差为零;r = 0.30 但两群体差很大时偏差可以很大;反过来,r = 0.02 只要非响应完全随机(MCAR),偏差也接近零。所以「回收率 70% 的调查」完全可能比「回收率 2% 的调查」更错——错在第二个因子,而第二个因子不在任何一张报表上。
【细微】经典案例:1936 年 Literary Digest 寄出约一千万份选票、回收约 230 万份(回收率约 23%,绝对数量惊人),预测 Landon 胜;Gallup 用约五万人的配额样本预测 Roosevelt 胜。常被讲成「样本量不重要」,其实真正的教训是:Literary Digest 的样本框来自电话簿和汽车登记,响应者系统性偏向富裕群体,ȳ_r − ȳ_nr 巨大,(1−r) 再小也救不了。规模不是解药,第二个因子才是。
【极难发现】Groves 与 Peytcheva 2008 年在 Public Opinion Quarterly 上做的元分析(72(2):167–189)检验了几十项研究,发现回收率与非响应偏差之间的相关接近于零——不是负相关,是几乎无关。原因正是乘法结构:(1−r) 下降时,ȳ_r − ȳ_nr 完全可能同步上升。更狠的一步是:用激励把 r 从 0.3 拉到 0.5,被激励「拉进来」的那批边际响应者,恰恰可能是在目标变量上差异最大的那批人——于是提高回收率反而扩大了第二个因子。降低偏差不是单调的。
【可证伪的推论】如果你相信乘法结构,那么任何只报告回收率、不报告「非响应者与响应者在关键变量上的差(哪怕用辅助变量代理)」的调查,其误差声明是不可检验的。可检验的设计是:对一部分非响应者做追访(nonresponse follow-up),或用行政记录/paradata 对 ȳ_nr 做有偏估计,把第二个因子钉出来。
【留给辩论的问题】既然第二个因子无法从样本内部识别,那么「加权到已知边际」到底是在纠偏,还是在把偏差从一个变量搬到另一个变量?——我下一篇会论证:事后分层(post-stratification)只保证被 rake 的那些边际无偏,对未进入模型的变量,它可能放大偏差。你同意吗?







0 Comments