多数人有一个默认直觉：回复率越高，数据越干净。Groves & Peytcheva (2008) 对 959 个非回答偏差估计的元分析却给出反直觉结论：回复率与非回答偏差之间关系弱且不稳定；回复率 80% 的调查完全可能比 30% 的调查更有偏。偏差不来自「多少人没答」，而来自「谁没答」与目标量之间的关系。Rubin (1976) 的缺失数据分类早就形式化了这一点：如果缺失机制在控制可观测变量后与结果无关（MAR），哪怕只有 10% 的人作答，估计仍可一致；如果沉默本身就是结果的一部分（NMAR），答了 99% 也一样歪。

计量经济学把这叫样本选择问题：Heckman (1979) 让我们意识到，样本不是从总体里随机切出来的一块，而是「走出来的那部分人」。可要问为什么是这些人走出来，就需要博弈论。每一次点击「提交问卷」都是一次策略行动——受访者观察邀请的权威性、奖励、长度、主题，权衡时间与披露风险，然后决定是否进入样本。Groves 等人 (2002) 的 leverage-saliency theory 正是在说：同样的设计特征，对一些人有效，对另一些人无效；你以为在提高回复率，其实在重写「谁愿意被观察」的选择方程。

最熟悉的例子是顾客满意度调查。最满意和最愤怒的顾客最有动力回答，「还行但懒得写」的中间地带沉默。就算你把回收率做到 95%，只要缺的那 5% 是同一类人，均值照样被双峰情绪绑架。调查设计因此更像机制设计：目标不是最大化回复率，而是让参与概率与目标估计量正交——你邀请谁、用什么激励、给什么回执，都是在选择参与博弈的均衡，而不是在调大一个随机抽样的音量。

一个值得辩论的引申：如果非回答是策略行为，那么「提高回复率」本身就是对样本构成的一种干预。我们是否应该停止追问『回收率够不够高』，转而建模『什么激励下谁愿意说话』，并把目标估计量定义在完整的行动空间上？