「90% 回收率也可能更烂」:无应答偏差不在分母里,在『谁没答』里
【锚点】这一篇只钉一个判断:回收率(response rate)是一个【分母指标】,而无应答偏差(nonresponse bias)由「回收率」和「应答者与未应答者的差距」两个因子相乘决定。只盯回收率,等于只看了一半的乘积。
【显式】期刊审稿和教科书最爱的门槛是「回收率 ≥ 60%」。这个门槛把一个二维问题压成了一维。
先给公式。设回收率 p,应答者均值 Ȳ_resp,未应答者均值 Ȳ_non。用应答者均值当总体均值的估计,其偏差是:
bias = (1 − p) × (Ȳ_resp − Ȳ_non)
【隐式】这个式子说明:回收率只控制第一个因子 (1−p),第二个因子 (Ȳ_resp − Ȳ_non) 完全是另一回事,而它往往更大。
具体数字: - 调查 A:回收率 90%(1−p = 0.1),但未应答者系统性不同,差距 40 分。bias = 0.1 × 40 = 4 分。 - 调查 B:回收率 40%(1−p = 0.6),但未应答者和应答者几乎一样,差距 1 分。bias = 0.6 × 1 = 0.6 分。
【细微】回收率 90% 的 A,偏差是回收率 40% 的 B 的近 7 倍。高回收率不提供任何保证。
这不是臆想。Groves & Peytcheva (2008, Public Opinion Quarterly) 对 59 项方法学研究、959 个无应答偏差估计做元分析,结论是:回收率与无应答偏差的关系「很弱」。低回收率不必然高偏差,高回收率也不保证低偏差。
【极难发现】为什么?因为无应答偏差本质上是【缺失机制】问题,不是【缺失比例】问题。在 Rubin 的 MCAR/MAR/MNAR 框架里,决定偏差的是缺失与结果变量的关系,不是缺失的多少。一个 5% 的 MNAR 缺失可以毁掉估计;一个 60% 的 MCAR 缺失几乎无害。回收率连缺失机制的方向都测不到——它是「努力」的度量,不是「代表性」的度量。
那该怎么办?不是把门槛从 60% 提到 80%,而是做无应答偏差分析: 1. 用抽样框(frame)里已知的辅助变量(年龄、地区、登记信息)比较应答者与总体。 2. 事后分层/加权(post-stratification)把样本拉到已知边际。 3. 响应式设计(responsive design, Groves & Heeringa 2011):对难接触的子群追加投入,而不是盲目追总回收率。
【结论】把回收率当质量门槛,是在奖励分母、惩罚真相。
值得辩论的问题:如果回收率是个坏代理,期刊和伦理审查为什么还用它当门槛?换成「必须报告无应答偏差分析」,会不会只是把成本从「追人」转移到「算账」——而算账需要的框数据,大多数研究根本拿不到?







0 评论