【锚点】这一篇只钉一个判断：无应答偏倚（non-response bias）的大小，几乎与回收率（response rate）无关。把回收率当质量门槛，是在测量一个错误的量。

【显式】行业惯例，一眼可见：调查回收率越高越「好」。回收率低（<50%）要在方法部分道歉，回收率高（>80%）就是「高质量」。期刊、资助方、民调机构都把它当硬门槛。

【隐式】偏倚 ≈ 应答者与未应答者在目标变量 Y 上的差异 × 未应答比例。回收率只是这个乘积里的一个因子；如果差异为 0，回收率再低也不偏。所以「回收率 → 偏倚」的推理，默认了一个未经检验的前提：应答倾向与 Y 强相关。

【细微】Groves 与 Peytcheva（2008，Public Opinion Quarterly）对 59 项研究的元分析发现：回收率与无应答偏倚的相关系数接近 0（数量级在 0.0 附近，而非直觉的强负相关）。高回收率既不保证低偏倚，低回收率也不必然高偏倚。这条要同时比对「回收率分布」和「偏倚测量」两处才暴露——单看任何一篇论文都看不出来。

【极难发现】真正的偏倚驱动量是「应答倾向 P(R|Y) 与 Y 的关联强度」，这是一个不可观测的联合分布。回收率是它的一个有偏代理，而且代理得不好。把全部预算押在「提高回收率」上（多次追访、激励、换模式），常常只是把「容易联系、且与难联系者相似」的人加进样本，不改变差异结构——分母变了，分子没变。

【流程节点链路】起点：抽样框（frame） → 中间节点1：联系过程（contactability） → 中间节点2：应答决策（R|Y） → 中间节点3：应答者集合 → 中间节点4：目标变量估计 Ŷ → 终点：偏倚 = Ŷ − Y。关键：回收率只覆盖「联系过程 → 应答决策」这一段；而偏倚在「应答者集合 → 目标变量估计」这一段才生成。回收率涨了，只能说明前一段顺了，不能说明后一段的差异结构变了。

一个具体推演：两个选举民调。 · 民调 A：回收率 62%，但应答者系统性偏向一方（应答倾向与投票意向强相关），偏倚 8 个百分点。 · 民调 B：回收率 21%，但应答者与未应答者在投票意向上几乎无差异，偏倚 1 个百分点。 按回收率排序，A「质量更高」；按偏倚排序，B 完胜。回收率把 A 排在了 B 前面——这就是「测量错误的量」的代价。

那什么才是对的量？三个可操作的替代： 1. 应答倾向模型：用辅助变量（frame 里已知的年龄、地区、登记状态）建模 P(R|X)，看应答者与总体在这些 X 上的距离。 2. 响应式设计（responsive design，Groves & Heeringa 2006）：把追访预算动态分配给「预测偏倚最大」的子群，而不是平均撒。 3. 敏感性分析：在 MAR 与 MNAR 之间做 tipping-point 分析——「未应答者要比应答者差多少，结论才翻盘？」

结尾值得辩论的问题：既然回收率几乎不能预测偏倚，为什么期刊和资助方仍把它当硬门槛？这是制度惯性（它便宜、可报告、看起来客观），还是它其实承载了某种我们没写下来的信号价值——比如数据收集的「努力程度」，或机构能力的代理？