P4.10.4Adding data cannot fix sampling bias设计
补充数据无法修正采集机制本身的偏斜
别名: 加量不降偏 · bias versus variance in data collection · channel-limited correction
概念解释
发现数据有偏后的本能反应是「再多采一些」，但增加数量与修正偏斜是两件不同的事：采样偏差来自采集机制对人群的系统性过滤，在同一机制下重复采集，得到的只是同一形状分布的更精确版本。统计上这是偏差与方差的区别——加量降低方差（估计更稳），偏差（估计系统性偏离真值）分毫不动。一个只在国内一线城市推广的采集渠道，采一万人与采一千万人，对农村人群的覆盖比例几乎相同；缺的不是样本量，是能触达缺席者的采集路径。
机制
偏差在机制层面有三种顽固性。渠道锁定：采集渠道的人群过滤是渠道的属性而非采样的偶然，同渠道内的扩量只是把过滤结果复制得更精细（城市 App 的千万级样本里农村用户占比依旧是个位数）。激励选择：为提量加报酬，响应的是对激励敏感的人群——恰恰是原本就过度代表的群体，补样进一步偏向他们。聚合掩盖：扩量后总体指标更好看（样本大、置信区间窄），偏斜被统计显著性掩盖，问题更难被发现——数据越多，错误的信心越足。三种机制共同指向同一结论：偏斜的修复点在采集机制（换渠道、改接入门槛、新的参与方式），不在数量。
边界
「加量无用」不是反对一切数据补充：对随机噪声导致的性能波动（方差问题），加量正是正确解法；结论仅适用于系统性偏斜。换机制补覆盖也不是即插即用——新渠道引入新的人群行为差异与新的标注质量问题，覆盖修正后往往需要重新校准模型而非简单续训。另有一种真实场景是刻意的范围收缩：明知覆盖不了的人群，通过明确的功能边界与人工兜底来处理，比强补数据更诚实，也常常更便宜。
怎么落地
- 诊断先行：补数据前先跑一次构成审计，确认偏斜属于「量不足」还是「机制过滤」——分组占比在扩量前后基本不动，即机制问题，加量无效。
- 修偏斜的预算投向新采集路径：进入缺席人群实际使用的渠道（非智能手机短信、社区驻点、本地语言界面），而不是在原渠道加倍投放。
- 设定扩量止损线：同渠道补样的分组占比连续两个批次无显著变化时，冻结该渠道的进一步采集投入，把预算转投机制修复。
- 验证：每次补充采集后重跑覆盖审计，以「目标分组占比向外部基准的收敛」为唯一通过标准——总体规模增长不构成通过证据。