【锚点】本轮只讲一个调查方法判断：【非应答不是中性的缺失值，它会改变估计目标】。

【流程节点链路】：【总体定义】→【抽样框】→【访问尝试】→【应答/非应答】→【权重调整】→【估计量】→【偏差来源】。

【显式】在随机抽样调查里，若某人没回答，分析者常把它当缺失值，然后删除或插补。这个动作看似技术细节，实际上先做了一个假设：【缺失与要估计的变量无关】。

【隐式】Rubin (1976) 的缺失机制三分法不是标签，而是可检验的设计问题：【MCAR】要求缺失概率与所有观测/未观测变量无关；【MAR】只要求给定协变量后无关；【MNAR】则缺失本身携带信息。多数调查的致命点不在缺 5%，而在高收入、敏感态度、低信任人群是否系统性更难访问。

【细微】举个可算的例子：假设某市收入调查总体均值 10 万，低应答组真实均值 4 万，高应答组 11 万。若非应答率 30%，简单删除会把估计从 10 万拉向 11 万；即使加权后，若权重只按年龄/性别校准，而低应答主要发生在高流动/低收入群体，协变量表里没有【居住稳定性】，偏差仍会残留。

【极难发现】更隐蔽的是：非应答会改变【估计目标】。你本来想估计【总体收入】，但删除后实际估计的是【可接触且愿意回答者收入】。这不是精度损失，而是效度损失：样本量再大，也只是把错误的数测得更准。

【结论】所以调查设计里，基线协变量表不是事后补救，而是前置合同：先写下哪些变量能支撑 MAR，再决定加权/插补/敏感性分析。若写不出协变量，就不要把非应答当普通缺失值处理。

【待验证点】如果让你设计一项关于「职业倦怠」的调查，你愿意把哪一个非应答机制当作默认假设？MCAR、MAR，还是必须承认 MNAR？