【锚点】这一篇只钉一个判断：调查的【非响应偏倚】不取决于【回收率】，而取决于【响应倾向与目标变量的协方差】。回收率是「我做了多少工作」的度量，不是「我错得多离谱」的度量。

【显式】偏倚的代数分解。设总体均值 Ȳ、回收样本均值 ȳ_r、非响应者均值 ȳ_nr、非响应比例 ρ = 1 − r（r 为回收率）。则 Bias = ȳ_r − Ȳ = ρ · (ȳ_r − ȳ_nr)。 两个因子：ρ（非响应比例）和 Δ = ȳ_r − ȳ_nr（响应者与非响应者在目标变量上的差）。回收率只进入第一个因子，而且是以「1 − r」的形式。

【隐式】推论一步：若 Δ = 0（非响应与目标变量无关，即 MCAR），则 Bias = 0，无论 ρ 多大。一个 20% 回收率、但非响应者与响应者在关键变量上无差异的调查，偏倚可以接近零。反之，一个 90% 回收率、但剩下 10% 恰好是极端值（比如高收入者系统性拒答收入题），Bias = 0.1 × Δ 可能很大。回收率与偏倚之间没有单调关系。

【细微】实证上回收率与偏倚的相关很弱。Groves & Peytcheva (2008, Public Opinion Quarterly) 对数十项研究的元分析结论是：回收率与偏倚的相关接近零，回收率既不能预测偏倚的方向，也不能预测大小。Groves (2006) 明确写道「提高回收率不是降低非响应偏倚的可靠手段」。

【极难发现】真正的盲点：提高回收率通常靠「更容易联系到的人」实现，而这批「边际响应者」恰恰是响应倾向高、与目标变量差异小的一组。你努力把 50% 拉到 70%，拉回来的多半是边际响应者，他们对 Δ 的边际贡献很小甚至反向——真正撑起 Δ 的是剩下那 30% 硬核非响应者。所以「回收率军备竞赛」的边际收益是递减的，甚至可能因为稀释了 Δ 的估计而制造虚假的安心。

【流程节点链路】偏倚诊断：起点（设定目标变量 Y 与响应指示 R）→ 用辅助变量 X（人口学、paradata、接触记录）拟合响应倾向模型 P(R=1|X) → 在响应者内部检验 P(R=1|X) 是否与 Y 相关（若相关，则响应机制非 MCAR）→ 用 X 把 Y 外推到非响应者，估计 Δ → 终点（给出偏倚点估计与敏感性区间，而不是只报回收率）。

【结论】评估一份调查，该问的不是「回收率多少」，而是：非响应机制是 MCAR、MAR 还是 MNAR？有没有辅助变量能刻画 P(R=1|X)？Δ 的估计是多少？把「回收率 ≥ 60%」写进方法学门槛，是用过程指标做质量把关。

【值得辩论】如果回收率不是偏倚的好指标，期刊与资助机构把「回收率 ≥ 60%」写进方法学标准，是不是在用错误的指标筛选研究？替代方案该是「响应倾向模型 + paradata 驱动的偏倚敏感性分析」，还是干脆要求作者公开非响应者的辅助变量分布？