无应答现象无应答现象.doc

最好的处理无应答现象的方法就是防止他，当无应答现象发生以后，通常都有可能来模拟这些缺失的数据，但是预测的数据却不会有从一开始就观测的数据值一样好，无应答者通常在某些特定的方式上与应答者不同，如果无应答率是不可忽略的，那么完全基于应答者的信息得到的分析将会具有较大的偏差。 在这一章节中，我们主要讨论两种无应答情形：单元无应答，即整个观测单元的数据都是缺失的；项目无应答，即单元观测中的某些数据是存在的，但是至少有其中的一项数据值是缺失的。在一次调查问卷当中，单元无应答意味着这个受访者没有提供任何信息，在当前人口调查和国家犯罪受害者调查中，单元无应答会产自于各种大量的原因，调查者有可能接触不到受访家庭，受访者可能生病了以至于不能回答任何问题，受访者有可能根本就拒绝参与调查，在这些调查中，访问者会试图获得受访者的人口数据，比如说，年龄，性别，和种族以及他们的住所特征，比如，城市或者农村地域，这些数据会被用来调整无应答现象，项目无应答则会因为拒绝回答问题而大量产生，一个家庭有可能会回答收入问题。 在农业或者野生动物调查当中，我们用缺失数据这个专业术语来替代无应答，但是概念和意义是相似得，在家养鸭子的调查中，有些鸭子可能不能被调查者发现，在某种意义上，就是无回答现象，巢穴有可能在调查研究者确定蛋的生产个数被确定以前就被肉食性动物袭击了，这个可以相似于项目无回答。 在本章中，我们主要讨论四种方法来处理无应答现象： 防止他，设计一种无应答现象会很少的调查，到目前为止，这是最好的一种方式； 在无应答者中进行一次二次抽样，利用二次抽样的结果来推断其他无应答者； 利用模型来预测无应答者的数据，利用一种权重模型来稍稍调整单元无应答，估算方法通常用来调整项目无应答，参数模型用来调整其他无应答； 忽略无应答（不提倡，但是在实际操作中被普遍运用） 8.1忽略无应答现象的影响 反复证明得出，无应答可以带来大量的影响，Holt 和Elliot讨论了英国基于无应答现像的一系列调查研究的结果，显示说“低应答率与下列特征有关：伦敦居民，没有私家车的家庭，单身者，无小孩的夫妇，年长者，离异者或丧偶者，低教育人群和自主创业者。” 此外，没有针对无应答群体而增加样本容量并不能有效减少无应答偏差，一个更大的样本容量只是从应答人群体中获得了更多的观测值，增大样本容量实际上有可能恶化无应答偏差，因为加大样本容量有可能转移那些原本可以用来减少或弥补无应答的资源，或者有可能导致数据收集的不细心。 大部分小型都会忽略那些有可能会被回访或者追踪的无应答然后只基于完成的数据来报告结果。 一份只用完成数据的分析报告都有一个隐藏的假设，即无应答者与应答者是相似的，含有缺失数据的单元与完整单元的数据是相似的，大量的证据显示，在实际中，这些假设都会不成立，如果NCVS调查中忽略无应答，那么受害者的比率就会被低估。 仅仅基于完成的数据的分析报告应该被用于代表那些能够回答调查问题的总体，而通常与目标总体是不相同的，如果坚持仅仅使用完成的数据来估计总体均值，并且对于无回答现象不做任何的调整，那么至少应该报告出无回答率。 由于无应答产生的主要问题是潜在的总体估计偏差，考虑到总体被人工的分为两层；应答者，和无应答者。应答者总体是总体中一旦入样就能够回答调查的那部分单元，应答者的总体数量为，是未知的，相似的，（M代表缺失）也是未知的。无应答总体是不能回答调查的那部分单元。因此我们有如下总体参数： 总体的总方差为 ,均值为，总值为t，总体的入样概率应当是包括了应答者和无应答者，但是，我们不能观测无应答层的数据，，如果无应答总体的总体均值不同于应答层总体的总体均值，那么基于应答总体估计出来的总的总体均值就会产生偏差。 因为， 偏差为 偏差有可能很小，如果： 无应答的均值接近与应答均值； 非常小，即无应答情况很少。 但是由于我们不能观测无应答，所以我们不能确保（1），因此最小化无应答率将是我们控制无应答偏差唯一有效的方法。 8.2设计减少无应答误差的调查 一个差的调查的普遍特征是缺少设计的时间然后伴随而来的是在调查中产生的无应答现象。许多调查领域的新人（不幸的是，有许多已经不是新人了）仅仅只是简单的参与调查然后开始收集数据而忽视了收集数据的过程中隐藏的一些问题。他们将问卷邮寄给目标总体的每一个人然后开始分析回收到的问卷。那么这种情况下产生很低的应答率就一点也不奇怪了。 对目标总体非常了解的研究者将会提前预期到无应答现象产生的原因然后提前预防他。然而。许多调查者并没有他们想象的那样对无应答现象产生的原因那样了解，他们需要找出尽可能多的无应答现象产生的原因然后在调查正式开始之前就解决它。 这些原因会在设计的实验实施和通过数据收集的质量提升运用中得以发现。 当然，你可以以来前辈的实验来帮助你减少非抽样误差。