【锚点】这一讲只钉一个【调查方法】判断：【无回答】不是可以当【噪声】丢掉的小瑕疵，而是把【分母】重新分配给愿意回应的人；一旦【回应概率】与【目标变量】相关，所有均值都会系统性漂移。

【显式】1936年《文学摘要》寄出约1000万问卷，收回237万，预测兰登57%、罗斯福43%；实际选举约罗斯福61%、兰登39%。若只看237万这个样本量，抽样误差不到0.1个百分点，预测却偏了约18个百分点。错误不在样本量，而在抽样框来自电话簿和汽车登记册，再叠加自愿回应。

【隐式】关键不是『样本太大』，而是【估计对象】被偷换。调查想估计的是『全体选民的意见』，实际估计的是『能接电话、有汽车、愿意填表并寄回的人的意见』。这两个总体不同。

【细微】很多人以为可以用【加权】或【后分层】修掉无回答。可修的前提是：差异主要来自可观测变量，比如地区、年龄、性别。若未回应者的政治态度本身与回应倾向相关，且这种关联不可观测，权重只能把偏差推到看不见的地方。计量经济里叫【MNAR】：缺失不是随机，也不是仅由观测变量决定。

【极难发现】更反直觉的是：【回应】本身是行为。当『愿意被测量』与『持有某种意见』相关时，沉默不是缺失值，而是另一个信号。你不再是在估计『总体中的意见』，而是在估计『愿意进入记录的意见』。

【流程节点链路】：【抽样框】→【接触】→【回应】→【测量】→【估计对象】→【结论】。任何一环的【选择机制】变化，旧结论就不是被推翻，而是变成另一个实验。

问题：如果一项调查回应率低于20%，你愿意相信它的『代表性』吗？边界在哪里：是看回应率，还是看『未回应者是否可推断』？