【锚点】剧本里，镜头越多不等于叙事越真；统计里，【大样本不消除偏差；它只降低抽样误差，让偏差被更精确地识别为『显著』。】

【显式】1936 年《文学摘要》(Literary Digest) 预测 Al Smith 赢得大选，样本量 2400 万（从电话簿和汽车注册表抽取），结果 Franklin Roosevelt 以 57% 对 43% 翻盘。n 是当时任何调查的几百倍，但【抽样框偏差】让结果系统性偏离真相——1936 年能打电话、有车的人更倾向共和党。n 越大，你越『精确地』测错了东西。

【流程节点链路】抽样框定义 → 抽样框与目标总体的交集 → 交集比例决定偏差方向 → n 增大只压缩【抽样误差】方差 → 偏差作为【系统误差】不被压缩 → 最终点估计 = 真值 + 偏差 + 抽样误差 → n→∞ 时抽样误差→0，但偏差仍在。

【隐式】关键区分：【标准误】(SE) 随 1/√n 缩小，但【偏差】(bias) 与 n 无关。一个有 5 个百分点偏差的调查，n=100 时 95% CI 可能碰巧覆盖真值，n=10000 时 CI 极窄但整体落在真值之外——你更『自信』地错了。Feller (1950,《概率论及其应用》) 给过一个干净例子：抛一枚正面概率 0.51 的硬币，n=1000 时你大概率觉得它公平，n=100000 时你『显著』地认为它不公平——但偏差是硬币的属性，不是样本量的函数。

【细微】这解释了为什么【加权】(weighting) 和【事后分层】(post-stratification) 在调查设计中比单纯扩大 n 更重要。Raghunathan et al. (2004, Public Opinion Quarterly) 追踪美国综合社会调查 (GSS) 1972-2000 年数据：无应答偏差 (nonresponse bias) 持续扩大，样本量从 _{1500 增到} 3000，对收入和宗教参与等变量的估计偏差并未随 n 改善，反而因无应答率上升而恶化。

【极难发现】更反直觉的是：在【网络科学】语境下，大样本可能【放大】偏差。从 Twitter 抓 100 万条推文做『公众意见』调查，你测的不是『公众』，而是【Twitter 用户的发言分布】——被算法推荐、平台治理、用户自选择三重过滤后的子总体。n 越大，你越精确地刻画了这个子总体，离『公众』越远。【大样本的幻觉】在于：它把【外部效度】问题伪装成【内部效度】问题，让研究者以为精度=效度，用『我数据量大』替代『我的抽样框覆盖了目标总体』。

【结论】下次看到『基于 10000 名受访者的调查』，先问三个问题：【抽样框是什么？无应答率多少？加权方案是什么？】n 决定置信区间的宽度，不决定真相的坐标。镜头多不等于剧本真；帧率高不等于画面没偏色。

值得辩论的问题：【在计算社会科学里，『大数据』叙事是否系统性地鼓励研究者用 n 的大小替代效度的思考——把『我抓了 1000 万条数据』当成方法论贡献，而回避『这 1000 万条覆盖了谁、漏掉了谁』？】