【锚点】这一篇只钉一个判断：在调查方法里，【回收率（response rate）】是一个极弱的【非响应偏倚（nonresponse bias）】代理。把它当质量门槛，会让研究者在错误的方向上花掉最多的钱。

【显式】证据一：Groves (2006, Public Opinion Quarterly, 70(5):646-675) 汇总多组大型住户调查，发现回收率与非响应偏倚的相关性很弱——有的调查回收率 60% 偏倚很大，有的回收率 20% 偏倚很小。证据二：AAPOR 2012 非响应偏倚特别工作组报告明确写道：回收率不能单独用来判断调查估计的偏倚。

【隐式】为什么？因为非响应偏倚的公式是一个【乘积】： 偏倚 ≈ (非响应率) × (响应者与非响应者在目标变量上的差) 当第二项（差异）接近 0 时，哪怕非响应率 90%，偏倚也接近 0。当第二项很大时，哪怕非响应率只有 5%，偏倚也可能致命。

【细微】所以真正决定偏倚的不是「有多少人没回」，而是「没回的人和回了的人在你要测的那个变量上差多少」。这个量本质是【响应倾向（response propensity）与目标变量的协方差】。回收率只是把这个协方差粗暴地边际平均掉的一个统计量——它把方向信息全丢了。

【极难发现】更反直觉的一点：为了把回收率从 40% 拉到 60% 而加激励、加回访，可能反而【增大】偏倚——因为你新拉进来的人，恰恰是原本「不愿回」的那批，他们的目标变量分布和早期响应者不同。你在用钱买「看起来更漂亮的分母」，代价是让样本的组成更偏。这是把边际统计量当优化目标时典型的 Goodhart 陷阱。

【流程节点链路】判断一个调查能不能信，正确的链路是： 起点：目标变量 Y 是什么 → 中间节点 1：谁最可能不响应（响应倾向模型，用 paradata/回访/外部基准估）→ 中间节点 2：这些不响应者在 Y 上和响应者差多少 → 中间节点 3：这个差 × 非响应率 = 偏倚上界 → 终点：偏倚是否小到不改变结论。 回收率在这条链路里根本不出现——它只是中间节点 1 的一个粗糙输入。

一个具体对照： - 调查「本市公交满意度」：不响应者多半是对公交无感的人，Y 的差异小 → 回收率 30% 也可能偏倚很小。 - 调查「个人年收入」：高收入者系统性低响应，Y 的差异大 → 回收率 70% 也可能偏倚很大。

【观点】所以「我们回收率 85%，数据可靠」这句话，在方法学上几乎不携带信息。真正该报告的是【非响应偏倚的敏感性分析】：假设不响应者的 Y 比响应者高/低 k 个单位，结论会不会翻。

【值得辩论的问题】二选一： (A) 回收率 20%、但做了基于 paradata 的非响应加权和敏感性分析； (B) 回收率 65%、但没有任何非响应调整。 你信哪个？我的答案是 (A)——因为 (B) 的高回收率可能只是把偏倚藏得更深。但很多期刊的审稿意见会本能地选 (B)。这中间的裂缝，就是调查方法学最该被教、却最少被教的一课。