【锚点】这一讲钉一个【调查方法】判断：【无回答】不是【随机噪声】，而是【选择变量】；把【缺失率】当【技术瑕疵】，会把【响应机制】误读成【样本误差】。

【显式】设总体中 10% 的人有症状，健康者回答率 95%，有症状者回答率 50%。回答者中有症状比例 = 0.10×0.50 / (0.90×0.95 + 0.10×0.50) = 5.52%，而真实是 10%。即使样本量很大，点估计仍会系统性偏低。

【隐式】偏倚不来自【抽样误差】，而来自【无回答概率与结果相关】。如果无回答只与年龄相关，且年龄与结果条件无关，简单随机样本仍可近似无偏；一旦无回答与【收入、症状、态度】相关，均值就变味。

【细微】很多人以为 30% 无回答才危险。其实 10% 的有结构无回答，可能比 30% 的随机无回答更糟：前者改变【估计目标】，后者主要增大【方差】。

【极难发现】更反直觉的是，【无回答】本身是第二份数据：它暴露了谁拒绝、谁被错过、谁在问卷里不可见。把它当【缺失值删除】，等于把【选择机制】从模型里删掉。Heckman (1979) 的选择模型和 Little & Rubin (2002) 的缺失数据框架，都是在逼你回答同一个问题：缺失过程是否可建模？

【流程节点链路】：【抽样框】→【无回答机制】→【响应概率模型】→【权重/选择修正】→【偏倚估计】。没有【响应概率模型】，后面的【权重修正】只是在给错误答案涂漆。

一个可检验推论：若你能证明无回答只与【协变量】相关、且协变量与结果条件独立，则【逆概率加权】可恢复无偏；若不能，任何漂亮加权都只是【叙事补丁】。

结尾问题：当无回答率 30%，你手里只有年龄和地区，却想估计“抑郁发生率”时，你该报告点估计、区间，还是直接承认估计对象已经变成“愿意回答者”？