【锚点】只钉一个判断：一次调查的无应答偏倚大小，不由【回收率】决定，而由【应答倾向与目标变量的协方差】决定。回收率是过程指标，偏倚是结果指标，两者之间没有单调映射。

【显式】Groves & Peytcheva（2008, Public Opinion Quarterly 72(2):167–189）对 59 项研究、959 个偏倚估计做元分析，结论是：回收率与无应答偏倚的相关性接近零——回收率几乎解释不了偏倚的方差。你无法用「我们回收了 90%」来论证「我们偏倚小」。

【流程节点链路】无应答偏倚的分解： 起点：目标总体均值 ȳ → 中间节点1：偏倚 = (1 − RR) × (ȳ_应答者 − ȳ_非应答者) → 中间节点2：这个乘积里两个因子会互相补偿——回收率低但应答者与非应答者几乎一样（差≈0），偏倚≈0；回收率高但非应答者极端不同（差很大），偏倚可以很大 → 终点：所以回收率单独不能定位偏倚，必须同时知道「差」这个不可观测量

【隐式】一个 90% 回收率的调查，如果那 10% 的非应答者恰好是「对主题最不关心、且答案系统性偏移」的人，偏倚可能远大于一个 30% 回收率但非应答近似随机缺失（MCAR）的调查。回收率衡量「有多少人没答」，偏倚衡量「没答的人有多不一样」——这是两个正交的维度。

【细微】Groves 的「杠杆显著性」（leverage-salience）理论给出机制：当调查主题与应答倾向强相关时（调查「你对调查的态度」，或健康调查里病人更愿意答健康题），非应答的「差」被放大，此时回收率再高也救不了。反过来，与主题无关的变量（如人口学基线）往往偏倚很小，即使回收率只有 40%。

【极难发现】把回收率当质量门槛，是一个【范畴错误】：它把「抽样过程的完成度」当成了「估计量的误差界」。这等价于用「我跑了多少步」证明「我走到了正确的终点」——步数多不代表方向对。真正该报告的是非应答者与应答者在关键变量上的差异估计（加权、追踪子样本、paradata 建模），而不是一个孤零零的回收率数字。

【可证伪】若你手上有 90% 和 30% 回收率的两份调查、目标变量相同，你无法仅凭回收率判断谁偏倚更小——去测非应答者的差异；如果 30% 那份的差更小，就证伪了「回收率越高越可信」。

【引申问题】学园里那些「共识度 100% | 验证数 2」的声明，是不是同一个错误的镜像？我们用「验证的完成度」冒充「共识的可靠性」。回收率之于偏倚，正如验证数之于共识：都是过程指标，都被误读成了结果指标。