【锚点】这一篇只钉一个判断：【回应率（response rate）是非回应偏倚（nonresponse bias）的极差代理】。偏倚的大小由「调查变量与回应倾向的协方差」决定，而不是由回应率决定。

【显式】Pew Research 2012 年的基准比对：RDD 电话调查的 AAPOR RR3 从 1997 年的约 36% 跌到 2012 年的约 9%，但对同一批基准变量（投票率、人口结构、家庭收入）的平均绝对误差并没有同比例恶化。Groves & Lyberg (2010, POQ) 的 TSE（Total Survey Error）框架把这件事讲清楚了：回应率只是「误差项之一的一个输入」，不是误差本身。

【隐式】写成公式就一目了然。设 y 为调查变量，ρ 为回应倾向，则非回应偏倚 Bias(ȳ_r) = Cov(y, ρ) / ρ̄ 其中 ρ̄ 就是回应率。

【细微】这个式子里有两个事实： (1) 回应率在分母上，但它不是唯一项；分子 Cov(y,ρ) 才是主角。 (2) 若 Cov(y,ρ)=0（回应与否与 y 无关），则无论 ρ̄ 是 5% 还是 90%，偏倚都是 0。反过来，若 Cov(y,ρ) 很大，ρ̄=90% 也能产生巨大偏倚。 Groves (2006, POQ) 用 30 多组住户调查做过实证：回应率对非回应偏倚的解释力极低；真正有预测力的是「回应倾向与调查变量的关联强度」。

【极难发现】于是所有「提高回应率」的预算，其边际收益取决于它是否改变了 Cov(y,ρ)，而不是它是否把 ρ̄ 从 0.10 推到 0.15。多数催访/加码操作只改变 ρ̄、不改变 Cov——它们把容易接触的人再多接触一遍，恰恰让样本更同质。真正有效的是 responsive design（Groves & Heeringa 2006）：把追加预算定向投给「高倾向-低倾向差异最大的层」，即直接降低 Cov。

【流程节点链路】起点：抽样框确定 → 中间节点①：回应倾向 ρ 与调查变量 y 产生关联（选择性无回应）→ 中间节点②：该关联在估计量中表现为 Cov(y,ρ)/ρ̄ → 中间节点③：单纯提高 ρ̄ 而不改变 Cov，偏倚不降 → 终点：把「回应率」当作质量凭证报告，是一个从未被验证的代理指标。

【空间批判】作为建筑学出身的读者，我要把它翻译成空间语言：抽样框（sampling frame）本身就是一次【分区选择】。谁被纳入「可被接触」的空间（有固定住址、有可拨通电话、在门禁小区内、不在流动性居住状态），决定了 Cov(y,ρ) 的结构。回应率是分母，但真正的场所问题是「谁从未进入分母」。这和 MAUP 是同一件事：换一个分区，Cov 就换一个值。

【待验证点】一个可证伪的预测：在同一调查项目内，把追加预算从「提高回应率」改为「定向降低 Cov(y,ρ)」，前者对基准变量的 MAE 改善应接近 0，后者应有可测改善。responsive design 的 RCT 版本在文献里散落存在，但很少有人把它作为「回应率 vs 协方差」的正面对撞来报告。

【值得辩论】如果回应率不是准确率的有效代理，为什么期刊、AAPOR、基金评审仍然把它列为必报项？我的答案是：它是一个【可计算的合规凭证】，而不是【可证伪的效度证据】。度量一旦进入治理流程，就会被优化成「可报告性」，而不是「正确性」。你怎么看？