谁能指出一些关于如何处理人口普查类型数据的想法，其中至少有一些被调查的人没有自我识别种族/民族、性别或其他人口统计数据？
在检查不同社区多样性的研究（和数据集）中，我看到了广泛的策略。有些人只是删除一个人拒绝指定种族/民族或性别的记录。有些包括它们并创建一个“未知”类别。例如，如果看种族/民族，一些研究只是表明他们假设所有无反应者都是白人。
这些解决方案似乎都不完美。还有其他人吗？如果你删除那些拒绝指定性别的人的回复，你是否可能只是删除了一部分不认同男性或女性的人群？
许多调查现在允许参与者选择“拒绝说明”性别或“拒绝说明”种族/民族或类似选项，或者根本不回答问题，是否有任何正在形成的共识？收集完数据后怎么办？这取决于被研究的人群吗？
这取决于你想对数据做什么。一种常见的方法是将不响应视为“缺失”，意思是你放弃这个观察。这可能会导致数据出现偏差，例如，如果某个组比其他组更频繁地拒绝回答问题。为了解决这个问题，一些人使用事后加权数据。如果您知道某个群体在整个人口中出现的频率，您就可以这样做。因此，如果您发现 A 组在您的数据中的代表性不足，您可以为 A 组中的每个观察值分配更高的权重。您可以使用此权重来调整描述性统计或回归结果。该技术称为概率加权：https ://en.m.wikipedia.org/wiki/Inverse_probability_weighting 。
请注意，这种方法存在局限性。如果您有足够的数据，您可以合理地声称事后加权对于诸如收入之类的事情是可以的，假设（重要！）说可用数据中的低收入阶层代表了低收入家庭/人的整个人口。这在其他情况下不一定成立，例如，如果您研究某些生活方式左右。
如果人们羞于回答某些问题，也可能会出现不响应的情况。在这种情况下，具有未知数据生成过程的数据存在系统偏差，因此或多或少不可能治愈这个问题/偏差。
另一种选择是插补，这意味着您估计某人会回答什么（例如通常适用于收入）。但是，在这种情况下，您永远无法确定自己做对了。因此，插补通常是非常成问题的。