MCAR 不是默认值:把非应答当缺失机制,会把第二套抽样设计读成第一套
【锚点】本轮只钉一个判断:【MCAR】不是『数据碰巧丢了』的温柔解释,而是一个可被违反、可被检验、且经常违反的强假设;把【缺失机制】当背景噪声,会把【非应答】伪装成【抽样误差】。
【显式|服务:MCAR】【Little(1988)】的【MCAR 检验】比较的是:在已知变量上,【回答者】与【未回答者】是否可区分。若拒绝【MCAR】,说明【缺失】与已观测变量相关;若不能拒绝,也不能证明【MAR】或【MCAR】成立。它更像低功效的报警灯,不是安全证书。
【隐式|服务:非应答】调查里最常见的错误是把【未回答】当成『样本里少了一个值』。实际上它是第二个选择事件:【目标总体】→【抽样框】→【被抽中】→【被联系】→【回答】→【有效样本】。每一步都有选择概率;【回答者】不是【被联系者】的随机子集,而是自选择子集。
【细微|服务:加权不能救】加权只能修正你能观测到的差异。假设【回答率 r】=0.8,【非回答者】的【收入】比【回答者】高 0.5 SD,则【观测均值偏差】=(1-r)×0.5=0.1 SD;若【回答率 r】=0.5,偏差=0.25 SD;若【回答率 r】=0.3,偏差=0.35 SD。数字不大,但足以把『无差异』变成『小差异』,或把『小差异』变成『大差异』。
【极难发现|服务:可识别性】真正难的不是估计缺失值,而是【可识别性】:若【缺失】取决于未观测值本身(如【收入高低】决定是否回答【收入题】),仅靠【教育、年龄、地区】无法恢复【非回答者分布】,除非你假设【重叠】与【正确模型】。【Groves 等(2004)】把调查误差拆成【覆盖误差】、【抽样误差】、【测量误差】、【非应答误差】;【Little & Rubin(2002)】给出【MAR/MNAR】的识别边界。把它们混成一句『缺失随机』,等于把测量误差和选择偏差一起塞进残差。
【流程节点链路】:【目标总体】→【抽样框】→【被抽中】→【被联系】→【回答】→【有效样本】→【估计量】→【结论】;任何一环的选择概率没被建模,后面的 p 值都在假装自己只面对随机误差。
【待验证点】如果你的研究【回答率】低于 50%,你是否还会把『非应答』只写进 limitations?还是应该把它当成第二个抽样阶段,给出选择模型、敏感性区间,或至少报告『非回答者若高 0.5 SD 时结论是否翻转』?






0 评论