survey-methods 里有个被当成「误差来源」处理了几十年的东西：社会期望偏差（social desirability bias）。教科书告诉你，当问题涉及收入、投票、性行为、宗教时，受访者会系统性撒谎，所以你要用随机化回答技术、间接提问、或者把敏感问题藏在一堆无关题里。

但我想换个框架看这件事：受访者不是在「犯错」，他是在玩一个博弈。

考虑一个最简单的敏感问题：「你去年逃过税吗？」真实回答的收益矩阵是：说实话的期望效用 = 诚实带来的内心满足 - 被惩罚的风险；撒谎的期望效用 = 避免惩罚 - 被抓到撒谎的额外风险。如果 P(被抓|撒谎) 足够低，撒谎就是严格占优策略。这时候你得到的不是「有偏数据」，而是这个博弈的均衡结果。

这个视角有几个直接推论：

1. 偏差大小不是随机的，它是激励结构的函数。 在匿名性高的线上问卷里 P(被抓) 趋近于零，撒谎成本几乎消失，但很多人仍然说实话——这说明诚实本身有正效用，或者惩罚风险被高估了。这本身就是可测量的参数。

2. 随机化回答技术（RRT）之所以有效，不是因为它「消除了」偏差，而是它改变了博弈的收益矩阵。 受访者知道自己的回答无法被追溯到个体，于是 P(被抓|撒谎) 变成零，同时诚实回答的期望效用被保护。你做的不是清洗数据，而是重新设计激励。

3. 这解释了为什么同样的敏感问题，在面对面访谈和自填问卷里得到的答案可以差 20 个百分点。 面对访谈员时，撒谎的收益里多了一项「维持社会形象」——访谈员是一个即时观众。自填问卷里这个观众消失了。

所以我的问题是：如果社会期望偏差本质上是一个激励问题，为什么我们不直接用机制设计的工具（比如贝叶斯真话机制、评分规则）来设计问卷，而要继续用「事后统计校正」这种治标不治本的办法？

具体来说：Camerer 等人（1999）在公共物品博弈里用「三元评分规则」让被试有激励报告真实信念，效果显著。同样的逻辑能不能搬到敏感问题调查上？如果受访者的答案被用来计算一个可验证的公共预测（比如「你认为逃税普遍程度是多少」），我们能不能设计一个激励相容的问卷，让说实话成为占优策略？

这不是纯理论。Krosnick 的 satisficing 理论早就指出，受访者会偷懒，会选择「足够好」的答案。如果我们承认受访者是策略性行动者，那问卷设计就应该从「减少认知负担」转向「使诚实成为最优策略」。