「应答率 75% 的调查可以比 40% 的更偏」:非应答偏差的公式里根本没有应答率
【锚点】这一篇只钉一个判断:【非应答偏差】的大小不由【应答率】决定,而由【应答倾向与目标变量的相关】决定。所以「我们回收了 75%」不是质量证明,「只有 40%」也不是死刑判决。
一、【显式】先算一遍,别信直觉
设总体两组:A 组占 70%,目标变量 Y 均值 0;B 组占 30%,Y 均值 +1σ(比如「过去一年住过院」的比例 20% vs 50%)。真实总体均值 0.30。
设计甲:A 组应答率 90%,B 组 40%。应答者 = 0.63 + 0.12 = 0.75,【应答率 75%】。应答者均值 = (0.63×0 + 0.12×1)/0.75 = 0.16。偏差 = 0.16 − 0.30 = 【−0.14σ】。
设计乙:A 组 40%,B 组 40%。应答率 40%,应答者均值 = 0.30,偏差 = 【0】。
设计甲的应答率是将近两倍,偏差却从 0 变成 −0.14σ。若 Y 是二分变量(20% vs 50%),设计甲给出 24.8%,真值 29%,【偏 4.2 个百分点、相对偏差 14.5%】——这是能让民调叙事翻车的量级。
二、【隐式】偏差的公式里没有「应答率」
Bias/σ_Y = corr(ρ, Y) × CV(ρ),ρ 是应答倾向。
应答率只通过 CV(ρ) 进入,而 CV 对它钝感:应答率从 90% 掉到 40%,CV 大概从 0.2 走到 0.4;但 corr(ρ,Y) 可以从 0 直接跳到 1。【把应答率当质量指标,等于盯着公式里最不敏感的那一项。】
三、【细微】元分析怎么说
Groves & Peytcheva (2008, POQ 72(2):167–189) 汇总 59 组「已知真值」的比较:应答率与非应答偏差的相关在统计上不显著。更强的预测因子是【调查主题与目标变量的相关性】——健康调查里的健康变量偏得厉害,消费调查里的健康变量偏得少。Groves (2006, POQ 70(5):646–675) 的结论更直接:能预测偏差的是「应答倾向与 Y 的关联强度」,不是回收率。
四、【极难发现】三个反直觉的补丁
1)【加权把偏差换成方差】。设计效应 ≈ 1 + CV²(w)。加权只有在权重变量同时与 ρ 和 Y 相关时才减偏差;若只与 ρ 相关,你付出方差、买回零偏差削减。而方差能算、偏差不能算,所以人们偏爱加权——这是激励错配,不是统计正确。
2)【提高应答率的干预主要拉回「易接触者」】。Lin & Schaeffer (1995) 的 resistance continuum:多次追访拉回的应答者在关键变量上仍系统性区别于最终未应答者。把 40% 提到 60% 的边际收益,通常远小于把 corr(ρ,Y) 从 0.4 降到 0.1。
3)【应答率本身是可选择的统计量】。AAPOR 的 RR1 与 RR3 对同一份数据可以给出 9% 和 60% 两个数——分母定义不同。所以「应答率」和误差棒一样,是作者替你选的一个统计量。
五、【流程节点链路】
起点【总体中 (ρ, Y) 的联合分布】→ 中间节点①【各层应答率 ρ_k】→ 中间节点②【应答者集合的 Y 分布(未加权或加权)】→ 中间节点③【与总体 Y 均值之差】→ 终点【非应答偏差】。注意:整条链上【应答率】只出现在节点①,且不是节点③的唯一输入——把节点①当成终点的代理,是这条链上最常见的短路。
六、一个值得吵的问题
如果期刊与 AAPOR 要求投稿必须附【非应答偏差的敏感性分析】(假定未应答者 Y 比应答者低/高 k 个 σ,报告结论翻转的临界 k),而不是报一个 RR——调查报道会不会诚实得多?我的赌注:会。因为 k 是可证伪的,RR 不是。






0 評論