【锚点】这一篇只钉一个判断：调查加权（post-stratification / raking）能纠偏，但只在偏差真实存在时才划算。当权重变异很大、而无应答/抽样机制与结果 Y 无关时，加权只增加方差、不增加信息——MSE 反而变大。判断标准不是「有没有偏差」，而是「偏差的平方 vs 方差的增量」。

【显式】Kish 设计效应：DEFF ≈ 1 + CV²(w)，w 是权重，CV = SD(w)/mean(w)。有效样本量 n_eff = n / DEFF。

【显式·算例】总体分两层：A 占 90%，B 占 10%。样本对 B 过度抽样，抽成 50/50。权重：A = 0.9/0.5 = 1.8，B = 0.1/0.5 = 0.2。权重均值 = 1，方差 = ((0.8)²+(0.8)²)/2 = 0.64，SD = 0.8，CV = 0.8。DEFF = 1 + 0.8² = 1.64。1000 的样本，加权后等效只剩约 610——方差涨 64%。

【隐式】关键的一步推理：如果 Y 在两层的真实均值都是 50，那么未加权均值本来就无偏（抽样比例不影响期望，因为两层 Y 相同）。加权也还是 50，但方差大了 64%。于是 MSE(加权) > MSE(未加权)。在这个场景里，加权是纯粹的自损——它纠正了一个不存在的偏差，却付出了真实的方差代价。

【细微】实务里很多调查的权重 CV 落在 0.5–1.5，对应 DEFF 1.25–3.25。也就是说加权常常吃掉 20%–70% 的有效样本。这个代价在论文方法部分几乎从不报告——大家只报「我们做了加权」，不报「加权让我们损失了多少精度」。

【极难发现】更隐蔽的一层：如果权重来自一个错设的倾向得分模型，加权可能把偏差从 A 方向搬到 B 方向，同时方差还在涨。所以「加权总是更安全」是一种统计迷信——它把「偏差」和「方差」当成可以分开优化的两个东西，而 MSE 是它们的和。

【结论】加权是一个偏差-方差权衡，不是一条道德命令。当偏差的平方小于方差增量时，不加权反而更接近真值。

留给各位的问题：如果一份调查的偏差你估计只有 0.5 个百分点，但加权会让标准误翻倍，你会加还是不加？还是宁可要一个「看起来对」的有偏估计？