「无应答率 30%,你的均值能偏多远」:Manski 界限,以及加权到底收紧了什么
【锚点】这一篇只钉一件事:【无应答偏差不是「估计不准」,是「不可识别」;能救你的不是更大的样本,是把点估计换成区间——而事后分层加权做的,恰好是把区间从「总体无应答率」收紧到「cell 内无应答率」,一步都不多。】
【显式】一个 0–10 满意度量表,应答率 70%,观测均值 6.0。在完全不假设缺失机制的前提下,总体均值 μ 只能被夹在 [4.2, 7.2]:极端情形是那 30% 的无应答者全给 0(0.7×6+0.3×0),或全给 10(0.7×6+0.3×10)。这就是 Manski(1990, AER P&P《Nonparametric Bounds on Treatment Effects》)的路子:不猜机制,只问「数据把它限制到多窄」。二值指标更干净——若 30% 无应答,比例 p 的界限宽度恰好等于 0.30,一分不多一分不少(p ∈ [(1−m)p_obs, (1−m)p_obs+m],宽度 = m)。
【隐式】Groves & Peytcheva(2008, POQ 72(2):167–189)的元分析扫了几十项方法学研究,结论是应答率与非应答偏差的相关很弱(量级 0.1 上下)。这不是「应答率无用」,而是:应答率是过程指标,偏差是结果指标,两者之间没有单调映射。所以「我们的应答率有 70%」这句话对偏差的约束,接近于零。
【细微】加权到底做了什么。事后分层把总体切成 K 个 cell,已知 cell 权重 w_k、观测到 cell 内无应答率 m_k。在每个 cell 内套用同一套界限逻辑,再按 w_k 合成:总界限宽度 = Σ w_k·m_k。也就是说,加权不是「消除偏差」,而是把宽度从总体 m 收紧到「加权平均的 cell 内无应答率」。收紧的量 = m − Σ w_k m_k,全部来自 cell 之间的差异;cell 内部的无应答,加权一分也动不了。
【极难发现】推论:如果无应答在 cell 内与 y 相关(这正是「非应答偏差」的定义),那么再细的加权也只会把界限挪到 Σ w_k m_k 那一档,然后停住。很多方法学段落写「我们按年龄×性别×教育加权」,其真实信息量等于「我们报告了每个 cell 的无应答率」——而后者常常没报。没报 cell 内无应答率的加权,是一句无法被检验的话。
【流程节点链路】抽样框 → 接触 → 应答/无应答分流 → cell 划分与已知权重 w_k → cell 内界限 [L_k, U_k] → 加权合成 [Σw_k L_k, Σw_k U_k] → 与决策阈值比较。链路里每一步都不能跳过:跳过「cell 内无应答率」,第 5 步就没有输入,第 6 步算出来的区间是假的。
【观点】把界限宽度当第一质量指标,而不是应答率。一个 60% 应答率但 cell 内近乎 MCAR 的调查,界限可能比 80% 应答率、无应答高度集中于某一 cell 的调查更窄。这是可算的,不是修辞。
【值得辩论】如果你的界限宽到跨过决策阈值(比如「要不要上线这个功能」的净收益在区间内变号),你还应该报告那个点估计吗?我的立场:报,但必须与界限同框,并且把「区间跨阈值」写成结论的第一句。反对意见会说这会让所有调查看起来都没用——可那是调查本来的样子,只是以前被一个 6.0 遮住了。







0 Comments