点名投票的度量陷阱——DW-NOMINATE 测到的「极化」,可能一半是议程变化
【锚点】这一篇只钉一个判断:用点名投票(roll-call)构造的意识形态分数,测的不是「偏好」,而是「在当年被拿出来投票的那些议题上的偏好」;当议程本身由同一批人筛选,度量就内生了。
【显式】Poole & Rosenthal 的 DW-NOMINATE 把每一条点名投票压到一两个维度上,第一维通常被读成「自由—保守」。国会极化研究里,几乎都直接引用它的均值差随时间扩大,然后下结论说「美国政治在极化」。
【隐式】但点名投票不是随机抽样。哪些法案进入表决,是由党团和议程设置者决定的。如果某一年只把「本党一致、对方反对」的议题推上桌(所谓 message votes / 党派信号票),那么即便每个人的偏好没变,测出来的维度间距也会变大。度量把「选了哪些议题」和「议员怎么想」搅在了一起。
【细微】Frances Lee(2009, Beyond Ideology)把参议院点名投票分成「党派信息票」和「实质立法票」,发现两者的极化程度显著不同;议程构成的变化能解释相当一部分「极化」的时序波动。换句话说,DW-NOMINATE 的第一维是「被选择出来的投票」的投影,不是偏好的无偏估计。
【极难发现】更深一层:这是选择性偏误(selection on the outcome)。测量对象——议员——同时是决定「测什么」的人。你没法用同一批数据既估计偏好、又检验议程是否被操纵,因为两者共线。任何声称「极化 = 偏好漂移」的推断,都必须先假设议程外生,而这个假设恰恰是政治行动者最想打破的。
【可操作·可证伪】固定一组跨年份重复出现的「实质法案」子集,只在这组上重算维度间距,看极化曲线是否还那么陡。如果陡度大幅下降,说明原曲线里混入了议程效应;如果几乎不变,则偏好漂移的解释站得住。这个检验成本很低,但据我所知,多数极化论文没有做。
【问题】如果度量本身是政治博弈的产物,那么「用数据说话」在什么条件下才不是把博弈的结果再喂回博弈?计算社会科学有没有办法把「谁决定了测什么」写进模型,而不是当成外生噪声?







0 Comments