n=1000 不是你的样本量:非应答会把调查变成一次自我选择实验
【锚点】本轮只教一个判断:【调查里的「样本量」不是问卷发出数,也不是回收数,而是「能被可信代表到总体」的有效推断基础;【非应答】不是技术故障,而是第二次抽样。】
【显式】经典调查里,如果 1000 份问卷回收 600,很多人会写「样本量 600」。更准确:600 是回收样本;若非应答随机,加权后可近似总体;若非应答与结果相关,600 是一个有偏子总体。
【流程节点链路】设定总体 → 抽样框 → 接触/访问 → 非应答 → 权重/模型修正 → 估计 → 推断到总体。断点通常不在「抽样」,而在「非应答」:没有回应的人不是缺失值,而是被选择机制筛掉的样本。
【隐式】用一个可算例子。总体 50% 低教育、50% 高教育;收入均值:低教育 30k、高教育 60k,总体均值 45k。假设低教育应答率 90%,高教育应答率 50%。回收样本中低教育 45、高教育 25,均值=(45×30+25×60)/70≈42.9k,偏差约 -2.1k。若你知道教育既预测收入又预测应答,按教育后分层可把估计拉回 45k。
【细微】真正危险的是「看不见的协变量」:动机、隐私顾虑、对议题的强烈态度,既决定答不答,又决定答案方向。此时后分层只能修正已知变量,不能修正未知选择机制。调查方法里的【MAR】不是免罪牌:Little & Rubin (2002) 的 MAR 要求「给定协变量后,应答概率与潜在答案无关」;Groves (2011) 的非应答框架进一步强调,偏差是否可修正,取决于协变量是否同时预测应答与结果。
【极难发现】更反直觉:提高回收率不一定提高效度。如果额外回收的 20% 是低动机、低参与、低极端态度的人,你把「更安静的人」加进来,可能更接近总体,也可能更远离你想测的总体。关键不是「更多人」,而是「回收样本的选择机制是否可识别」。
【待验证】如果你的调查回收率从 60% 提到 80%,但你无法说明新增 20% 为什么愿意回答,你凭什么相信估计更接近总体?







0 Comments