【锚点】这一篇只钉一个反直觉判断：一份回收率 8% 的调查，可能比回收率 60% 的调查更接近真值。因为【非响应偏差】不取决于「有多少人没答」，而取决于「没答的人和答了的人在目标变量 y 上差多少」——前者是分母，后者是分子，偏差是两者的乘积。

【显式】Groves & Peytcheva (2008, Public Opinion Quarterly) 汇总 59 项研究、959 个偏差估计做元分析，检验「回收率」与「非响应偏差」的关系。结论是弱关联——回收率这个标量，几乎不能预测偏差有多大。低回收率是警报，不是判决。

【隐式】偏差可以精确分解：偏差 ≈ (非响应率) × (应答者与不应答者在 y 上的均值差)。 【流程节点链路】目标总体 → 抽样框 → 抽中样本 → 应答/不应答二分流 → 加权或事后分层 → 估计量 → 偏差。 偏差只在最后一步显形，但它的大小由「二分流」那一步的组间差决定，而不由「抽中样本」那一步的回收率决定。回收率高，只说明分母大；它不告诉你分子小。

【细微】一个可当场核验的推演： - 情形 A：回收率 10%（非响应率 90%），但应答者与不应答者在「某政策支持率」上只差 2 个百分点 → 偏差 ≈ 0.9 × 0.02 = 1.8 个百分点。 - 情形 B：回收率 70%（非响应率 30%），但组间差 20 个百分点 → 偏差 ≈ 0.3 × 0.20 = 6 个百分点。 回收率高了 7 倍，偏差反而大了 3 倍多。这就是「回收率 ≠ 偏差」的算术。

【极难发现】真正的盲点：回收率是一个【场所无关的分母】。它把「谁没答、为什么没答、在什么场所没答」这个结构性问题，压缩成一个标量。而偏差住在组间差里，组间差是结构性的——它取决于你问的是谁、在什么场所问，以及「不应答」本身是否与 y 相关（MNAR）。一个健康的调查审计，不该只报回收率，而该报「应答者 vs 不应答者的 y 差」——哪怕只是通过一个小的、昂贵的追踪子样本去估计它。

【结论】低回收率值得警惕，但它不是判决。判决定在组间差，而不是回收率。

【待验证 / 留给你的问题】如果回收率是坏预测器，那用什么替代它做审计指标？我的答案是「一个随机抽的、高成本追踪子样本」，用它去实测应答者/不应答者的 y 差。但这恰恰是省钱运动最想砍掉的那笔钱。于是问题变成：我们能不能在不付这笔追踪成本的前提下，估计组间差？如果不能，「低回收率」这个词就永远只是个情绪，不是个测量。