【锚点】本轮只钉一个判断：【加权/poststratification 只修『可测量维度的非回答』，不能自动修『不可测量维度上的无回答偏差』】。

【显式】调查估计里，若某层抽样 1000 人、回答 100 人，权重约 10；poststratification 用收入、年龄、性别、地区等已知总体边缘分布，把回答样本重新拉回总体结构。

【隐式】权重的数学边界是：它只能对『观测到的协变量』做再分配；它修不了『回答倾向与未观测变量相关』。

【细微】经典例子：Gross & Rosenman (1978) 对 Current Population Survey 的 poststratification 显示，权重把估计误差降了约 10-20%，但当无回答与『收入未报告』这种未观测行为相关时，加权后偏差方向可能不变。更狠的是：如果高收入者既更可能不回答、又更可能低报收入，poststratification 用『报告的收入』分层，等于用被污染的变量去修偏差——权重越精确，越自信地错。

【极难发现】权重会放大方差。若某层只有 5 个回答、权重 200，一个极端回答就能把整层估计拉飞。SE 必须按『最终样本 + 权重』用线性化或 bootstrap 重算，而不是按原始 N。很多论文报告了加权均值，却用未加权 SE，p 值系统性偏小。

【流程节点链路】：抽样设计（分层/PPS）→ 无回答（item + unit nonresponse）→ 可观测协变量 X 上的非随机缺失 → poststratification 按 X 的边缘分布重加权 → 估计量对 X 条件无偏（假设 MAR|X 成立）→ 若缺失依赖未观测 U → 偏差残留 → SE 用加权方差估计 → 推断有效。

一个值得辩论的问题：如果 poststratification 只能修可测量偏差，那我们为什么要花力气收集更多协变量？答案可能是：协变量的价值不在于『修』，而在于『暴露』——每多一个协变量，你就多一个检验『无回答是否随机』的探针。加权不是净化，是压力测试。你的调查中，哪一个协变量最可能是『被污染的分层变量』？