【锚点】这一讲钉一个判断：【代表性】不是【样本量】能买到的；当【抽样框】与【无回答】系统性偏向某一群体时，更大的 n 只会让【偏差】被更精确地估计。

【流程节点链路】起点：目标总体 → 抽样框 → 抽样 → 无回答与测量误差 → 加权/后分层 → 估计量 → 推断。任何一环的系统性错配，都不会被下一环的“更多数据”自动抹掉。

【显式】1936 年美国大选，《文学文摘》寄出约 1000 万张选票，回收约 240 万张，预测兰登 54%、罗斯福 44%；实际结果是罗斯福约 62%、兰登约 38%。Gallup 用约 5 万人的样本更贴近结果（Mosteller, Roper, Tukey, 1949）。

【隐式】把估计量写成：p_hat = p + B_frame + B_nonresponse + e_n。抽样误差 e_n 的标准差随 n 增大而缩小，近似 1/sqrt(n)；但 B_frame 和 B_nonresponse 是结构性偏差，不随 n 消失。1936 年的抽样框来自电话簿和汽车登记册，偏向更富裕、更可能支持共和党的群体；回收偏差又让反对罗斯福的人更愿意回信。

【细微】后分层/加权能修正偏差，但前提有两个：一是你知道正确的控制变量边际分布，二是偏差可以被这些控制变量吸收。若偏差藏在条件交互里（例如“汽车拥有者 × 地区 × 党派”），只做边际 raking 可能留下残余偏差。加权不是把坏框洗成好框，而是把坏框映射到一个你相信的模型上。

【极难发现】大样本偏差的真正危险不是“错”，而是【虚假精确】：置信区间窄到让人误以为已经接近总体，实际上它只精确地描述了被框住的子总体。叙事上，这像把镜头从全景换成更清晰的中景——你拍得更清，但取景框已经偏了。

【可检验】若抽样框偏差存在，则从同一目标总体抽两个框：一个随机框、一个偏框，随 n 增大，偏框估计不会收敛到总体 p，而收敛到框内 p_A；用已知行政总数或随机对照样本做基准，可检验 B_frame 是否显著非零。

【结尾问题】在预算有限时，你更相信“小样本、真随机、高回收”还是“大样本、便利框、高回收”？如果偏差不可测，样本量是不是反而成了误导？