样本使用率

样本使用率 (Sample Utilization Rate)

样本使用率 (Sample Utilization Rate) 是抽样调查与计量经济学中衡量数据收集效率与有效性的核心指标。它指在已抽取的样本总量中，最终被纳入统计分析的有效样本所占的比例。换言之，样本使用率 = 有效样本量 / 计划样本量 $\times$ 100\%。该指标反映了从抽样设计到最终估计过程中因无应答 (Non-response)、数据缺失 (Missing Data)、样本损耗 (Attrition) 以及数据清洗剔除等因素导致的样本损失程度。

核心内涵与计算公式

设 $n_0$ 为初始计划抽取的样本数量，$n_{\text{eff}}$ 为最终用于估计的有效样本量，则：

其中 $n_{\text{eff}}$ 是扣除以下几类损失后的剩余样本：

• 无应答样本： 包括单位无应答 (Unit Non-response)——整份问卷未被填写（如拒访、无法联系、地址失效），以及项目无应答 (Item Non-response)——特定问题上缺失答案导致该变量不可用。调查方法学界通常将前者造成的损失计入样本使用率的分母缩减，而后者则通过插补处理后可能部分恢复。
• 数据清洗剔除： 因回答存在逻辑矛盾、异常值、重复提交或不符合研究纳入标准而被剔除的观测值。典型操作包括检查陷阱问题 (Trap Questions) 的通过情况、回答时间的合理性（排除速度作答者）。
• 追踪性损耗 (Attrition)： 在面板数据 (Panel Data) 或纵向研究中，受访者因迁移、死亡、失联或中途退出导致的样本流失。面板的样本使用率通常随着调查轮次递增而持续下降，是面板数据质量的生命线。
• 匹配损失： 当研究需合并多个数据源（如调查数据与行政记录匹配），因匹配失败导致的观测值丢失。

与邻近概念的区别

样本使用率常与应答率 (Response Rate) 混淆，但两者并不等价。应答率通常仅关注无应答维度（如受访者是否配合），定义较为狭窄；而样本使用率是一个更宽泛的 管道效率 概念，涵盖从抽样框架到最终分析数据集的全过程损失。例如，一项调查研究可能有 70\% 的应答率，但经过缺失数据剔除和逻辑清洗后，最终样本使用率可能仅为 55\%。在实践中，研究报告中应同时披露应答率和样本使用率，以提供完整的透明度。

另一个相关概念是有效样本量 (Effective Sample Size)，其在设计效应 (Design Effect) 框架下指复杂抽样设计的精度等价的简单随机抽样样本量。样本使用率中 $n_{\text{eff}}$ 通常指实际观测数，而非设计效应修正后的有效样本量，两者同词不同义，需根据语境区分。

经济学与统计推断中的影响

样本使用率低于 100\% 对研究结论的影响取决于缺失机制。Rubin (1976) 将缺失数据机制分为三类，为理解样本损失的性质提供了核心框架：

• 完全随机缺失 (MCAR)： 样本损失完全不依赖于任何变量（观测或未观测）。此时低样本使用率仅导致统计功效 (Statistical Power) 下降和标准误增大，但点估计的无偏性 (Unbiasedness) 得以保持。在样本量足够大的条件下，这属于损而不偏的情形。
• 随机缺失 (MAR)： 缺失概率依赖于观测变量但不依赖于未观测变量。此时 完整案例分析法 (Complete-Case Analysis) 将产生偏差，但可通过多重插补 (Multiple Imputation)、逆概率加权 (Inverse Probability Weighting, IPW) 等方法实现一致估计。
• 非随机缺失 (MNAR)： 缺失概率依赖于未观测变量本身（如收入越高者越不愿报告收入），此时即使最复杂的修正方法也不保证一致性。对 MNAR 的常见应对是构建选择模型 (Selection Model) 或模式混合模型 (Pattern-Mixture Model)，并辅以敏感性分析 (Sensitivity Analysis) 评估结论的稳健性。

实证研究中的典型后果：

• 估计偏差： 若缺失模式为 MAR 或 MNAR，完整案例分析可能产生严重的选择性偏误 (Selection Bias)。例如，在一项关于劳动力市场参与的研究中，若低技能劳动者无应答概率更高，仅用完整案例估计的工资方程将产生向上的选择偏误。
• 标准误膨胀： 即使缺失为 MCAR，有效样本减少使估计量方差上升，置信区间 (Confidence Interval) 变宽，假设检验 (Hypothesis Test) 的检验功效下降，增加了第二类错误的概率。
• 外部有效性受损： 如果样本损失使剩余样本与目标总体在关键特征上发生系统性偏离——即产生非代表性样本——则研究结论的外部有效性 (External Validity) 受到威胁。即便内部估计精度足够，也无法合理推广至总体。

提高样本使用率的策略

事前设计层面：

• 激励措施： 向受访者提供适度金钱或物质激励 (Incentive)，同时通过预付激励增强互惠规范 (Reciprocity Norm) 效应。文献中的元分析表明，预付激励可使应答率提高 8-12 个百分点。
• 混合模式调查： 同时提供线上问卷和纸质/电话方式，降低特定群体的参与壁垒。混合模式设计特别适用于老年人群和数字弱势群体的覆盖。
• 问卷长度控制： 过长的问卷增加中途退出率。调查设计中的黄金法则是将完成时间控制在 15-20 分钟以内；超出此阈值的调查无应答率显著加速。
• 追踪维护： 在面板调查中，通过定期发送问候信、更新联系信息和节日问候等方式维持样本活跃度，将面板损耗 (Panel Attrition) 降至最低。

事后统计修正：

• 多重插补 (Multiple Imputation)： 基于观测变量构建预测模型，对缺失值进行多次随机抽取，产生多个完整数据集，合并估计结果以反映不确定性。MI 方法是当前处理 MAR 数据的主流标准。
• 逆概率加权 (IPW)： 为每个观测值赋予其被观测到的概率的倒数作为权重，使加权后的样本在可观测维度上还原总体特征。IPW 在纵向数据特别是边际结构模型 (Marginal Structural Model) 中有广泛应用。
• Heckman 两阶段修正： 在选择模型框架中，首先估计选择方程得到逆米尔斯比率 (Inverse Mills Ratio)，再将其作为回归元代入主方程以修正选择性偏误。该方法对模型设定（尤其是排他性约束变量的选择）高度敏感。
• 校准加权 (Calibration Weighting)： 利用已知的总体辅助信息（如人口普查的年龄、性别分布）调整样本权重，使加权后的边缘分布与总体一致。

报告标准与透明度

学术期刊日益要求作者明确报告样本使用情况。AAPOR (美国公众舆论研究协会) 和 ESOMAR 等专业组织均发布了详细的调查报告标准。规范的样本使用报告应包含：

• 抽样框架描述及初始抽样规模
• 各阶段样本损耗的详细流量图（如从联系样本到完成样本的逐步缩减）
• 有效样本的人口统计学特征与目标总体的对比
• 无应答分析的完整结果
• 所采用缺失数据处理方法的充分技术描述及诊断

这一报告传统源自医学研究中的 CONSORT 流程图，在社会科学中被称为 调查处置代码 (Disposition Codes) 体系。高样本使用率不仅是方法论严谨性的标志，更是研究内部有效性的关键保障。

理论与实证背景

样本使用率的理论基础可追溯至Neyman (1934) 的抽样理论与Horvitz-Thompson (1952) 估计量，两者均依赖于完整的抽样框架和权重信息。当样本使用率低于 100\%，Horvitz-Thompson 估计量的无偏性取决于缺失机制。在准实验方法 (Quasi-experimental Methods) 如双重差分 (Difference-in-Differences)、断点回归 (Regression Discontinuity) 中，样本使用率的问题进一步与内部有效性假设交织——如果缺失与处理分配相关，则识别策略的排他性受到根本挑战。近年来，随着大数据和行政数据在经济学中的广泛应用，样本使用率问题从传统调查领域扩展至大规模数据链接与匹配环节，成为数据质量评估体系的有机组成部分。