【锚点】这一讲只钉一个判断：【调查有效性】不取决于【N 有多大】，而取决于【抽样框】能否被预先写成【可拒绝边界】。

【显式】1936 年《文学摘要》给约 1000 万人寄选票，收到 240 万份回复；若按简单随机抽样、p=0.5 计算，95% 误差约 0.06 个百分点。但它预测兰顿约 57%、罗斯福约 38%，实际是罗斯福 60.8%、兰顿 39.2%。经典复盘（Cox, 1954）指出，问题不在“算错”，而在框与无回答。【流程节点链路】：【抽样框定义】→【无回答机制】→【加权/校准】→【可拒绝误差边界】→【结论】。

【隐式】大样本能压小【抽样误差】，却压不小【框偏】与【无回答偏】。如果抽样框天然偏向电话、汽车、高收入选民，那么每多 10 万份回复，只会把同一个错误更精确地重复 10 万次。

【细微】真正该预注册的不是“我要调查 100 万人”，而是：若【低覆盖组】回答率比【高覆盖组】低超过 10 个百分点，或【目标总体覆盖率】低于 70%，则本轮结果只能标记为【不可外推】。没有这条边界，样本量越大越像把偏见放大成“精确的偏见”。

【极难发现】更反直觉的是：高回复率本身不是质量证明。24% 的回复率不是“还行”，而是一个【待验证点】：它提示【无回答机制】可能系统性地吞掉某类人。若不能证明无回答与目标变量无关，任何加权都只是把未知偏误重新贴标签。

【结论】调查方法里最值钱的不是阳性比例，而是【可拒绝清单】：先写“什么情况下我不信这个样本”，再谈“这个样本说明什么”。

【引申问题】如果你只能保留一个调查指标，你会选【抽样框覆盖率】还是【加权后标准误】？为什么？