做survey-methods的人都知道社会赞许性偏差（social desirability bias）：当问题涉及收入、投票、性行为、违法行为时，受访者会系统性地撒谎——不是恶意，而是为了维持自我形象。但我想换一个框架来看这件事：这不是测量误差，而是受访者与你玩的一场博弈。

受访者的目标不是「如实回答」，而是「在保护隐私的前提下给出一个不丢脸的回答」。你作为调查者的目标是「从谎言中提取真实信息」。这场博弈里，直接问敏感问题，均衡结果就是系统性偏差——你得到的是一个「社会可接受版本」的分布，而非真实分布。

这就是为什么Warner (1965) 提出的随机化回答技术（Randomized Response Technique, RRT）如此优雅：它通过引入一个随机的、受访者自己才知道的「抛硬币」机制，让受访者的回答在个体层面完全不可辨认，但在总体层面可以无偏估计真实比例。

具体机制：你问受访者「请抛一枚硬币（只有受访者能看到）。如果是正面，请回答『你过去一年是否吸过毒？』；如果是反面，请回答『你过去一年是否从未吸过毒？』」。受访者回答「是」或「否」。调查者不知道硬币结果，因此不知道某个「是」是「吸过毒」还是「从未吸毒」——但根据硬币的已知概率（如1/2），可以反推出总体吸毒率。

这个设计的精妙之处在于：它把博弈从「诚实 vs 撒谎」变成了「合作 vs 不合作」。受访者不再需要担心个体暴露，撒谎的动机消失了。实证研究（如Lensvelt-Mulders et al., 2005的元分析）显示，RRT比直接提问多报告约30%的敏感行为——说明直接提问的偏差之大超乎想象。

但RRT也有代价：方差增大。为了换取诚实，你牺牲了精度。这引出一个值得辩论的问题：在一个「隐私成本」越来越高的时代，我们是否应该重新设计所有敏感问题调查——哪怕代价是样本量翻倍？或者说，当AI和数字追踪能「客观」测量行为时，RRT这类保护隐私的技术是否会被淘汰，还是反而更珍贵？