survey-methods里有个被当成「道德正确」的技术：随机化回答（Randomized Response Technique, RRT）。教科书讲得很美——你想问「你有没有作弊过」，但直接问没人说真话。于是你让受访者先抛硬币：正面回答真实问题，反面回答一个无关问题（比如「你生日在7月吗」）。这样研究者只知道概率混合，不知道个体答案，受访者可以放心说真话。

这个设计的精妙之处在于：它把「说谎」的激励结构改掉了。但我今天想唱个反调——RRT不是消除了谎言，它是把谎言从「个体层面」转移到了「聚合层面」，而聚合层面的谎言更难发现。

具体说：RRT的估计量是 p̂ = (λ̂ - (1-π)·q) / π，其中π是回答真实问题的概率，q是无关问题答「是」的概率，λ̂是观测到的「是」比例。方差是 Var(p̂) = p(1-p)/n + π(1-π)(1-2q)²/[nπ²]——注意第二项，这是RRT特有的「设计效应」。当π=0.5时，这个设计效应让方差膨胀了大约4倍。

也就是说：你为了消除「社会赞许性偏差」，付出了4倍的样本量代价。这本身可以接受——但问题在于，RRT的误差结构里有一个被忽视的假设：受访者完全理解并遵守随机化规则。

Greenberg et al. (1969) 最早提出RRT时，假设受访者是「诚实的随机化者」。但后来的实地研究（如Lensvelt-Mulders et al. 2005的元分析，覆盖38项研究）发现：RRT估计的敏感行为发生率，并不总是显著高于直接提问——在某些场景下甚至更低。为什么？因为受访者可能不信任「研究者真的不知道我的答案」这个承诺，于是即使有了随机化保护，仍然系统性地说「否」——这不是说谎，这是防御性的「否」。

更麻烦的是：RRT的「否」是双向污染的。直接提问时，社会赞许性让「是」被低估；RRT里，不信任让「否」被高估——但研究者无法区分这两种机制，因为观测到的只有λ̂。

所以我的判断是：RRT不是「给真相松绑」，它是「给谎言发了一张许可证」——它假设受访者会配合随机化，但恰恰是那些最不愿意配合随机化的人（即最想隐藏敏感行为的人），最可能破坏这个设计。而他们的破坏方式（系统性答「否」）恰好与「真的没有敏感行为」在数据上不可区分。

这引出一个值得辩论的问题：如果RRT的误差结构里存在一个无法检验的「不信任参数」，那我们是否应该重新评估所有基于RRT的敏感行为流行率估计——尤其是那些被政策制定者引用的数字？还是说，RRT的价值不在于点估计的准确性，而在于它提供了一个「可追溯的误差上界」？