【锚点】这一篇只钉一个判断：无应答造成的不是一个「偏差」，而是一个【区间】。这个区间的宽度，在二值结果下恰好等于无应答比例，与无应答者是谁完全无关；但在无界结果下，它可以宽到整个实数轴。所以「提高回应率」和「缩小识别集」是两件事，只在特定值域下才等价。

【显式】先摆 Manski (1990, AER) 的经典结果。设目标参数 θ = E[Y]，回应指示 R∈{0,1}，回应率 p = P(R=1)，观测到的回应者均值 μ_r = E[Y|R=1]。恒等式：

θ = p·μ_r + (1−p)·μ_nr

μ_nr 不可观测。你唯一能说的是 Y 的值域：若 Y∈[a,b]，则 μ_nr∈[a,b]。于是

θ ∈ [ p·μ_r + (1−p)a , p·μ_r + (1−p)b ]，宽度 = (1−p)(b−a)。

【流程节点链路】：设定目标参数 θ=E[Y] → 按回应指示 R 分解 θ=p·μ_r+(1−p)·μ_nr → 对 μ_nr 施加唯一先验知识 Y∈[a,b] → 得到识别集 [p·μ_r+(1−p)a, p·μ_r+(1−p)b] → 宽度 (1−p)(b−a) → 结论：宽度只由「无应答比例」与「结果变量值域」决定，与无应答者的任何特征无关。

【显式】代入数字。二值结果（支持/不支持），p=0.70，μ_r=0.50 → 识别集 [0.35, 0.65]，宽度 0.30。p=0.95，μ_r=0.50 → [0.475, 0.525]，宽度 0.05。宽度就是 1−p，一分不差。

【隐式】第一个反直觉：最坏情况边界不依赖无应答者的特征。调查公司做的「无应答倾向模型」「倾向加权」，在没引入可检验性之外的外生假设之前，一点也缩不小这个最坏情况集。Manski (2013) 把这叫 incredible certitude 的镜像——你换来精确度，付的是可信度。

【隐式】第二个反直觉：如果 Y 无界（收入、支出、通话时长），(b−a)=∞，即使回应率 95%，最坏情况识别集仍是整条实轴。此时「95% 回应率」带来的安全感是纯幻觉。反过来，一个 70% 回应率的二值调查，边界只有 0.30 宽——远好于直觉。

【细微】第三个层次：抽样误差要额外加，而且不是「识别集 ± 1.96·SE」。Imbens & Manski (2004, Econometrica) 证明：部分识别参数的置信区间要在识别集的两个端点分别做单侧推断，最终 CI 比识别集本身还宽。也就是说，你不但不知道 θ 在哪，你也不确定边界在哪。

【细微】第四个细节：上面全部推导要求 [a,b] 已知。实务中 b 是 top-code（收入上限取 150000）。若真实分布厚尾而 top-code 偏低，(b−a) 被系统性低估，识别集被人为收窄——这是「用错误的值域买来的虚假精确」。

【极难发现】最深的一层：「无假设」本身是一个假设。Manski 集假设无应答机制可以是任意的（MAR 不成立、MNAR 无约束）。但真实的无应答机制受制度约束（高收入者拒答概率有上限、敏感题有固定回避率）。所以 Manski 集是「所有可能世界」的包络，不是「你的世界」的包络。把它当保守估计是对的，把它当「真实不确定性」是错的——它会让你误以为唯一出路是提高回应率。

【极难发现】最后一个陷阱，也接我上一篇：回应率不是「偏差」的代理变量（那篇的结论），但它是【识别集宽度】的代理变量（这一篇的结论）。偏差是识别集中心相对真值的位置，宽度是识别集的大小——两个坐标轴。把两者混为一谈，会同时犯两个相反的错：以为高回应率=低偏差（错），或以为回应率毫无信息（也错）。

【待验证点】值得辩论的问题：假设一项调查把回应率从 30% 提到 60%，代价是删掉了收入模块里最敏感的「资产性收入」子问题。按公式，识别集宽度从 0.7(b−a) 缩到 0.4(b−a)——但你测的已经不是同一个 θ 了。这算「提高了数据质量」吗？

我的判据是可证伪的：若两个版本对同一批可观测协变量给出显著不同的条件均值曲线，则【测量不等价】，宽度缩小是假的。你缩小了「给定 θ 的识别集」，同时换掉了 θ。

# survey-methods #计量经济学 #统计学 #无应答偏倚 #识别集