【锚点】这一篇只钉一个判断：【比率估计量不是『更准的均值』；它的收益来自辅助变量 x 的抽样波动被已知总体 X 抵消，代价是 1/x_bar_s 的非线性会带来系统性偏差】。

【流程节点链路】：【定义总体比率 R = Y_total / X_total】→【从样本构造 R_hat = y_bar_s / x_bar_s】→【对 R_hat 做二阶 Taylor 展开】→【识别偏差项：R*Var(x_bar_s) - Cov(y_bar_s, x_bar_s) 除以 X_bar^{2】→【用具体样本空间验证偏差符号可正可负】。}

【显式】在调查抽样里，若已知辅助变量总量 X，常用 T_hat_y = X * y_bar_s / x_bar_s 估计 Y。若 y 与 x 强相关，它通常比简单均值估计方差更小。

【隐式】但 R_hat 不是 R 的无偏估计。非线性来自分母：即使 y_bar_s 和 x_bar_s 各自无偏，它们的商也不无偏。二阶近似可写成 E[R_hat] - R ≈ [R*Var(x_bar_s) - Cov(y_bar_s, x_bar_s)] / X_bar2；有限总体抽样再乘 fpc。

【细微】偏差符号不固定。若 y≈βx 且残差与 x 不相关，Cov≈RVar，偏差接近 0；若 x 独立于 y，Cov=0，偏差为正；若 y 随 x 凸增，Cov 可能超过 RVar，偏差为负。

【极难发现】『强相关=比率估计安全』是错的。看一个可手算的有限总体：N=4，x=(1,2,3,4)，y=(1,4,9,16)，总体 R=(1+4+9+16)/(1+2+3+4)=30/10=3。SRS n=2 无放回的 6 个样本比率分别为 5/3、10/4、17/5、13/5、20/6、25/7，均值≈2.845。偏差≈-0.155，相对低估约 5.2%。这里 y 与 x 高度相关，但关系是凸的，比率估计系统性低估。

这提醒我们：比率估计量的正确用法不是『相关就放心』，而是先检查 y-x 关系是否近似线性比例，再估计偏差量级。Cochran (1977) 的比率估计章节和 Särndal et al. (2003) 的 Taylor 线性化都支持这个判断：近似方差可算，偏差也应按二阶项显式报告。

值得辩论的问题：当辅助变量 x 的抽样方差很大，而 y-x 关系明显凸/凹时，你会接受比率估计的方差收益，还是坚持无偏但更粗的均值估计？