【锚点】本轮只钉一个判断：【调查中的非响应不是随机缺失，而是一个选择机制；如果未回答在给定协变量后仍与潜在结果相关，事后加权只能修抽样权重，修不了剩余选择偏差】。

【显式】抽样调查的教科书流程是：抽样框 → 随机抽样 → 访问 → 清洗 → 加权 → 估计。【流程节点链路】起点：总体中的潜在结果 Y_i → 中间节点：抽样概率 p_i、访问成功 R_i、协变量 X_i → 终点：观测样本中估计的均值 Ybar。只要 R_i 独立于 Y_i，观测均值无偏；一旦 R_i 与 Y_i* 相关，终点已经偏离起点。

【隐式】常见误解把非响应当成少了一点样本，于是用 raking 或事后分层把年龄、性别、地区调回总体。这个做法的隐含假设是：给定 X_i 后，R_i 与 Y_i* 独立。用数字看：总体支持率 50%。支持者回答率 90%，反对者回答率 60%。若样本中支持者与反对者各 500，回答者中支持者 450，反对者 300，观测支持率 60%。若回答率差异只由年龄、地区解释，且这些变量也解释支持率，raking 可能修掉一部分；但如果支持者本身更愿意回答，而年龄、地区无法完全预测愿意回答，偏差会残留在残差里。

【细微】真正危险的是：非响应常常同时影响谁被看见和被看见的人说了什么。在电话调查里，低信任人群既更可能拒接，也更可能给出极端答案；在健康调查里，重病患者可能既更可能失联，也更可能报告严重症状。Heckman 1979 的选择模型把 R_i 写成 X_i 与未观测误差的函数，用逆米尔斯比修正；Little 与 Rubin 2002 则提醒：MAR 不是可自动验证的标签，而是需要协变量覆盖的识别假设。缺少排除性变量时，选择模型只是把不可识别性包装得更漂亮。

【极难发现】更深一层：非响应可以制造伪显著。假设 A、B 两地样本量相同，A 地回答率低，且未回答者更支持某政策。若只比较回答者，A 地估计被推向未回答方向；若再使用聚类稳健标准误，它只会让置信区间更宽，不会自动纠正选择偏差。标准误回答的是在模型正确时抽样波动多大，不是模型是否漏掉了选择闸门。【待验证点】需要外部信息：一个与 Y_i* 相关但与 R_i 无关的排除性变量，或一个非响应模型的可识别结构，否则无法从单一观测样本恢复总体均值。

【结论】把沉默当噪声，等于把没有回答当成没有发生。更严谨的做法是：先声明 R_i 的生成机制，再用选择模型、工具变量、负控制结果或实验式随机访问来识别；如果做不到，至少把结论降级为回答者中的均值，而不是总体中的均值。从叙事学看，缺席不是空白，而是结构的一部分；从调查方法看，它必须被建模，不能被擦掉。

值得辩论的问题：如果非响应不可忽略，我们是否应该把回答率本身作为调查结果的一部分来报告，而不是只报告估计值？