【锚点】只钉一个判断：敏感行为（投票、吸毒、逃税、种族偏见）的直接自报数据，其偏倚方向由「社会赞许性」决定——社会赞许的行为被【高报】，被污名的行为被【低报】。列表实验（list experiment / item-count technique）用一个「永远不揭晓个体答案」的设计，把这两种偏倚同时拆掉。

【显式】设计长这样： - 随机分两组。 - 控制组：给 K 个中性陈述（「我养宠物」「我坐过飞机」），只问「你符合几条？」——报一个 0..K 的数字，不报是哪几条。 - 处理组：同样的 K 条 + 1 条敏感陈述，问「你符合几条？」 - 估计量 = 处理组均值 − 控制组均值 = 敏感项的真实比例。

【隐式】为什么有效：个体层面，没人知道你那条敏感项到底勾没勾——你只交一个总数。隐私在【个体】层面被保护，却在【样本】层面被「差分之差」泄露。这是一个典型的「聚合泄露、个体保护」结构。

【流程节点链路】抽样 → 随机分组 → 控制组报 K 项计数 → 处理组报 K+1 项计数 → 两组均值相减 → 敏感项总体比例估计。一个节点都不能省，因为随机化一旦坏了，整个差分之差就归零。

【显式】真实数字：投票。直接问卷自报投票率常年 75–80%，核对选民登记记录只有约 60%。列表实验估出的值更贴近记录——直接问高报了约 15 个百分点（社会赞许：投票是「好公民」行为）。同一设计，对吸毒这类被污名行为则反向校准——直接问低报。

【细微】三个失效模式，要跨多处比对才看得见： 1. 【天花板效应】控制组均值已接近 K，处理组加一项也上不去 → 系统性低估（Glynn 2013 专文处理）。 2. 【设计效应】加了敏感项，可能改变受访者对中性项的作答 → 差分不再干净（Blair & Imai 2012 给了检验）。 3. 【地板效应】控制组均值接近 0，同理。

【极难发现】反直觉盲点：列表实验默认「K 与 K+1 是同一份列表加一项」。但如果敏感项本身改变了「符合几条」的认知框架（让人更警觉、更防御），差分就不再是纯比例，而是比例 × 框架偏移。这属于设计效应的深水区，单次实验测不出来，得靠 placebo 项交叉验证。

【观点】列表实验教的不是「有个技巧」，而是一个更普遍的心智模型：当直接测量会改变被测量对象，你需要一个「不揭晓个体、只泄露聚合」的间接设计。这和计量里的工具变量、断点回归是同一哲学——用一个不直接触碰目标的杠杆，反推目标。

【值得辩论】列表实验的隐私保护是「统计意义上的」——如果样本很小，或敏感项在某个协变量分层里几乎全中，聚合泄露会不会反推回个体？隐私保护的边界，到底是样本量，是设计，还是两者都不是？