受访者部分填写数据：弃用还是使用的判断方法
在在线调研问卷设计和执行过程中，受访者部分填写（Partial Response）是一个普遍存在的现象。部分填写指的是受访者完成了部分问卷题目后中途退出，或者在某些题目上拒绝提供信息，但已提交了问卷。面对这类数据，项目管理者面临一个决策难题：这些不完整的数据能否使用？如果使用，需要满足什么条件？
这个问题没有简单的"是"或"否"答案，正确的处理方式取决于对不完整数据产生原因的分析，以及不完整数据对整体研究结论可能造成的影响。
部分填写的成因分析与分类处理
在在线调研问卷设计的实践中，部分填写的产生原因可以分为三类，不同原因对应不同的处理策略：
第一类：合理中断型。部分受访者因为时间不足、设备故障或突发情况而被迫中断作答。这类情况下的数据通常呈现"前段完整、后段空白"的特征，受访者在中断前的作答质量与正常完整受访者无显著差异。对于这类数据，可以考虑纳入分析，但需对缺失原因进行记录。
第二类：敏感回避型。受访者在遇到敏感题目（如收入、政治态度、个人经历）时选择跳过，导致特定题目缺失。这类数据的缺失并非随机，而是与题目内容高度相关。如果直接删除这类数据，可能造成系统性偏差（低收入群体被系统性排除）。
第三类：疲劳敷衍型。受访者在问卷中后段因疲劳而开始随意作答或放弃——表现为开放题空洞、选择题前后矛盾、相同选项连续出现等。这类数据即使是"完整"的，其质量也值得质疑。
部分填写数据的可用性判断标准
对于部分填写数据是否纳入分析，建议采用以下判断标准：
标准一：完成率阈值。对于核心研究变量（用于回答主要研究问题的变量），如果缺失率超过20%，建议将该题目从核心分析中排除；对于辅助变量，缺失率超过40%时可考虑排除。完成率的计算应以有效作答（而非总发放）为基础。
标准二：缺失机制检验。判断数据缺失是随机发生的（Missing Completely at Random, MCAR）、还是与某些可观测变量相关的（Missing at Random, MAR）、还是与不可观测的潜在变量相关的（Missing Not at Random, MNAR）。前两种情况下的部分填写数据，经过适当的统计处理（如多重插补）后可以纳入分析；第三种情况则需要特别审慎。
处理部分填写数据的统计方法
在在线调研问卷设计的研究中，处理部分填写数据的常用统计方法包括：删除法（Listwise或Pairwise Deletion），将存在缺失值的记录从分析中删除，简单易行但可能造成信息损失；均值插补法，用该题目的均值填充缺失值，方法简单但会人为压缩数据方差；回归插补法，基于其他变量预测缺失值，精度更高但可能过度拟合；以及多重插补法（Multiple Imputation），通过多次模拟生成多个填充后的完整数据集，综合得出结论，是目前最被推荐的方法。
无论采用哪种方法，都应在研究报告中明确说明部分填写数据的处理方式，并进行敏感性分析——比较不同处理方法下结论的一致性。如果不同方法得出的结论差异显著，应在报告中特别说明。
结语
部分填写数据的处理，是在线调研问卷设计和执行中的重要议题。科学的判断标准和恰当的统计处理方法，能够在最大化利用数据的同时，确保研究结论的可靠性。盈邀约平台提供严格的数据质量控制机制，有效减少部分填写的发生，并对每一份数据实施多维度的质量审核。