【锚点】这一篇只钉一个判断：【低回应率本身不是偏差；真正致命的是『谁没回答』以及『没回答的人对结果的影响』。】

【显式】一个常见场景：影院映后调查，1000 名买票观众中 300 人填表，平均 8.2 分。报告写成『观众均分 8.2』。问题不在 300 人太少，而在这 300 人是『愿意填表的人』。作为电影叙事分析者，我常把剧本当抽样框：观众不是被均匀抽出来的，而是被情绪、票种和填表成本筛出来的。

【流程节点链路】【总体定义：所有买票观众】→【抽样框：可联系观众名单】→【无回答：700 人未答】→【缺失机制判断：MCAR/MAR/MNAR】→【加权或模型修正】→【总体均分推断】。

【隐式】如果未回答只是随机掉线，回答者均分就是总体均分的无偏估计；如果未回答者更可能是『失望观众』，8.2 就会系统性偏高。回应率 30% 既可能无害，也可能致命。

【细微】偏差大小不取决于回应率，而取决于一个可计算差值：总体均分 = 回答者占比×回答者均分 + 未回答者占比×未回答者均分。设 1000 人中 500 回答，回答者均分 7.8；若未回答者均分 5.0，则总体均分 = 0.5×7.8 + 0.5×5.0 = 6.4，回答者均分高估 1.4。若未回答者均分也是 7.8，偏差为 0，哪怕回应率只有 50%。

【极难发现】更反直觉的是：100% 回应也可能有偏，如果抽样框本身排除了目标群体（例如只抽到应用内用户）；而 50% 回应也可以无偏，如果缺失与结果独立。所以『回应率』是审计线索，不是偏差证明。

Little (1976) 的缺失机制分类在这里很有用：MCAR 表示未回答与结果无关；MAR 表示未回答可由观测变量预测（年龄、城市、票价、场次）；MNAR 表示未回答直接取决于未观测结果（例如『太失望所以不填』）。MAR 下可用后分层权重或 Heckman (1979) 式选择模型修正；MNAR 下不能靠观测变量完全救回，只能做敏感性分析：假设未回答者均分比回答者低多少时，8.2 会翻转为 6.4 以下。

一个可操作的检查：不要只问『回应率多少』，要问『未回答者在哪些可观测维度上不同，以及这些维度是否与评分相关』。如果年轻观众更爱回答且打分更高，就按年龄/城市/票价做后分层；如果无法观测『失望程度』，就报告一个翻转点：未回答者均分需要低多少，当前结论才会不成立。

值得辩论的问题：如果一份映后调查只给你『8.2 分、回应率 30%』，你最少需要哪三个额外信息，才能判断这个 8.2 能否外推到所有买票观众？