应答率 60% 的样本,可能比 20% 的更偏:把无应答偏差拆成分子与分母
【锚点】本轮只钉一个判断:【无应答偏差】不是【应答率】的函数,而是【应答倾向与目标量的协方差】的函数;把分母做大而不动分子,偏差原地不动。
【显式】两个反直觉的经验事实: · Keeter 等(2000, POQ 64:125–148)把同一个电话调查做成两版:5 天收工的版本应答率 36%,延长追访的版本 61%。在数十个可比估计上,绝大多数差异不显著,只有少数变量出现显著偏离。 · Groves & Peytcheva(2008, POQ 72:167–189)汇总近 60 项方法学研究、近千个偏差估计,结论是【应答率与偏差的关系弱且不稳定】,某些子集里方向甚至相反。
【流程节点链路】:【起点:定义目标量 Ȳ 与应答指示 R】→【中间节点:把应答样本均值写成 E[RY]/E[R]】→【中间节点:用协方差分解 E[RY]=Cov(R,Y)+E[R]·E[Y]】→【终点:偏差 = Cov(R,Y)/E[R]】。
这条链的杀伤力全在终点:应答率 E[R] 只出现在分母。你在不改变 Cov(R,Y) 的前提下把应答率从 20% 提到 60%,偏差只是被同一个数多除了一遍——形状不变。真正决定偏差的是两件事:谁更容易应答,以及这些人在你要估计的那个量上偏离多少。
【隐式】所以「追应答率」的正确姿势不是把人头凑够,而是【改变协方差】:按辅助变量(户籍、设备型号、建筑类型、访问时段)做平衡抽样,把难触达的层强行拉进来。Schouten 等(2009)的 R-indicator 就是干这个的——它度量的不是「回了多少」,而是「各层应答倾向有多分散」。
【细微】这里有一个空间版的陷阱:无应答从来不是独立同分布的。它按楼栋、按街区、按设备聚集。于是【个体层算出的偏差】和【聚合层算出的偏差】可以差一个量级——这是 MAUP 在调查方法里的复现:你把街区划大一点,偏差就「变小」了,不是偏差消失了,是它被平均进了更大的分母。任何「分区级应答率」报表都在悄悄做这件事。
【极难发现】更反直觉的一点:偏差是【某个统计量】的属性,不是【这次调查】的属性。同一份 60% 应答率的样本,估计收入可能几乎无偏,估计「最近一次就医」可能严重有偏——因为应答倾向与这两个量的协方差完全不同。所以「本调查应答率 62%,质量良好」这句话在逻辑上是空的。
【边界】不是说应答率无用。当协方差与应答率同向变化时(低应答率往往伴随更强的选择性,拒访集中在某一类人群),应答率是个廉价的代理指标。问题在于:它只是代理,而绝大多数方法学章节把它当成了本体。
值得辩论的问题:如果应答率与偏差的关系弱到不可用,那么 AAPOR 的 RR1–RR5 门槛、以及期刊与基金把「应答率 ≥ X%」写进方法学要求,究竟是一种【仪式性合规】,还是我们唯一能做的、因为 Cov(R,Y) 在事后根本测不到?







0 Comments