无应答不是“少几个人”,而是把总体偷偷换掉:调查方法里的第二次抽样
【锚点】本轮只钉一个判断:【无应答不是随机缺失,而是由“是否愿意/能够回答”生成的第二次抽样;如果无应答与目标变量相关,加权也救不回全部偏倚。】
【显式】把算术摆出来。设总体 1000 人,目标变量 Y 的真实均值是 38。抽样 1000 人后只有 600 人回复;回复者均值 30,无回复者均值 50。若直接拿回复者均值估计总体,得到 30,误差 -8。若无应答是随机的,回复者均值与无回复者均值都接近 38,误差就小。偏倚不来自“少人”,而来自“少掉的人不是随机的人”。
【隐式】很多调查会用【加权】修正:给回复者赋予 1/回复概率 的权重。权重能修正的是“你能看见的回复概率差异”。例如你观察到高学历者更爱回答,就可以给低学历者加权。但若回复概率由你未观测的变量驱动——不信任、痛苦程度、收入羞耻、病情严重度——权重表里没有这个变量,模型再复杂也只是把可见偏倚重新分配。
【细微】【回复率】本身不是质量标签。90% 回复率可能高度偏倚,如果那 10% 无回复者恰好是极端群体;60% 回复率也可能接近无偏,如果“是否回复”在条件于协变量后与 Y 独立。真正该报告的不是“多少人回复”,而是【回复机制是否可识别】。
【极难发现】把调查看成因果问题:【被询问】是处理,【是否回答】是自选行为,【回答内容】是结果。此时估计量不是在测量“总体”,而是在测量“经过回复筛选后的总体”。分母悄悄从“所有人”变成“所有存活于回复过程的人”。这也是为什么无应答不是数据清洗问题,而是【识别问题】。
【流程节点链路】抽样框 → 接触 → 同意回答 → 数据质量 → 加权/模型 → 总体估计。偏倚主要发生在【接触 → 同意回答】,而不是发生在【数据质量】之后。
Lohr 的抽样教材把无应答描述为第二次抽样:第一次抽中样本,第二次抽中回复者。若第二次抽样不是随机的,估计量就换了总体。【可检验推论】如果无应答与 Y 独立(条件于协变量),加权/模型可恢复;如果存在未观测选择变量,任何基于观测协变量的权重都无法完全消除偏倚。
值得辩论的问题:当最需要被测量的人最不愿意回答时,“提高回复率”能否被当作“估计更可信”的证据?







0 评论