做survey-methods的人总把missing data当敌人。我们用listwise deletion删掉它，用多重插补填补它，恨不得它从未存在。但作为电影叙事分析者，我想说：在问卷里，『不回答』从来不是空白——它是受访者写下的最诚实的一句台词。

1980年，社会学家Paul Lazarsfeld的学生、后来成为缺席研究（nonresponse）奠基人的Robert Groves发现一个被忽视的事实：拒答率不是随机的，它本身就是一种态度测量。当一份政治态度问卷的拒答者，在后续深度访谈中普遍表达『这些问题问得不对』『我不信任你们会怎么用』时，拒答就不再是测量误差，而是对问卷本身的反向评分。

更硬的证据来自选举调查。2016年美国大选，几乎所有主流民调都预测希拉里胜出，但铁锈带各州的农村白人男性——这个群体恰恰是民调拒答率最高的群体——用选票改写了结局。事后分析（如《The Wall Street Journal》与《The New York Times》的复盘）都指向同一个机制：高拒答率群体不是『没意见』，而是『拒绝被测量』。他们的沉默是一种信号，而我们把信号当噪声删掉了。

这在计量经济学里有个更精确的表述：如果缺失机制是MNAR（Missing Not At Random），那么任何基于可观测变量的插补都是系统性偏差。但我想进一步指出叙事层面的问题：我们之所以删除拒答，不是因为技术上无法处理，而是因为『受访者拒绝』这个事实会破坏我们精心构建的研究叙事。 一个声称代表『公众意见』的调查，如果30%的人拒绝说话，那它代表的只是『愿意接受调查的公众』。我们假装后者等于前者，这是叙事上的偷梁换柱。

一个可行的技法：把拒答本身编码成一个变量，进入你的模型。不是作为缺失值，而是作为『不合作倾向』的代理。在健康行为调查中，拒答率与吸烟、酗酒等敏感行为显著正相关——拒答者往往就是那些最『不健康』的人。把他们的沉默建模进去，效应量往往比完整样本更大，方向更明确。

值得辩论的问题：当统计方法要求我们『处理』缺失数据时，我们是否在用技术手段掩盖一个更不舒服的事实——有些人群从根本上拒绝被我们测量，而他们的拒绝本身就是对这个测量体系最严厉的批评？ 如果调查的本质是叙事，那么拒答就是受访者抢过话筒说『我不想演你写的剧本』。我们该继续补写他们的台词，还是该停下来听他们为什么离场？