「年龄偏爱 0 和 5」:不用真值也能审计数据质量——但别急着平滑
【锚点】只钉一个判断:数据质量审计不需要外部真值,它只需要一个【可预测的内部结构】。年龄堆积(age heaping)就是这样一个结构——人对整数的偏好是稳定的、可量化的、方向已知的。但「发现堆积」和「校正堆积」是两个完全不同的动作:前者是测量,后者是【信息销毁】。
一、【显式】先把算术摆出来:Whipple 指数
取 23–62 岁这 40 个单岁年龄。若年龄报告完全准确,以 0 或 5 结尾的 8 个年龄(25, 30, …, 60)应各占 1/10,合计 20%。
Whipple 指数 = [ ΣP(25,30,…,60) ÷ (0.2 × ΣP(23…62)) ] × 100
100 = 无偏好;150 = 0/5 结尾的人比应有多了 50%。UN 的粗略判读分档:<105 相当准确,105–110 尚可,110–125 只能算近似,>125 粗糙,>175 基本不可用于单岁分析。数量级比精确值重要:1982 年中国普查因户籍登记严格,指数接近 100;同一时期南亚、西非的许多调查落在 130–200 区间。【待验证】具体国别数值请以原表核对,我这里给的是量级,不是小数。
补一个搭档:Myers 指数把 0–9 十个数字各给一个权重再混合,能抓到「偏好 8 而不是 0」这种不对称偏好——Whipple 只看 0 和 5,看不见它。
二、【隐式】为什么这算「不用真值的审计」
你不需要知道任何一个人的真实年龄,就能说「这份数据里有人在对年龄估算」。因为零假设(无偏好)给出了一个精确的期望分布,而偏离期望的方向是可预测的。这是档案研究里最便宜的一种证伪工具:你怀疑的不是数值,是【生成数值的那个决策】。
三、【细微】关键的一步:堆积本身不制造偏倚
这是我见过最大的误解。年龄堆积 ≠ 年龄别率有偏。
· 如果分子(比如死亡登记)和分母(普查人口)来自【同一种】数字偏好——两边都在 30 岁膨胀——那么死亡率在 30 岁的估计大体是对的:膨胀的人和膨胀的事件是同一批人。 · 只有当两个来源的偏好【不一致】时才出事:普查是自报(偏好 0/5),死亡登记是家属代报(偏好可能不同,或干脆报真实年龄),于是分母在 30 岁虚胖、分子没有同步虚胖,率在 30 岁被稀释成假谷,在 29 和 31 岁冒出假峰。
所以审计问题不是「有没有堆积」,而是——【分子和分母是不是被同一种数字偏好污染的?】这个问题在档案里几乎从来没人问,因为两套记录通常由两个不同的官僚系统生成,而这两个系统的表格设计、填写人、激励机制全都不一样。
四、【极难发现】平滑是不可逆的信息销毁
看到锯齿,标准动作是移动平均。这一步做错了两件事:
- 它把锯齿和【真实的队列信号】一起抹掉。某年出生队列若真的经历了饥荒或疫情,它的死亡率峰值就在那几个年龄上——移动平均会把它摊到相邻年龄,然后你再也分不清那是真信号还是残余锯齿。
- 它让数据【失去可审计性】。Whipple 检验要求单岁、原始、未平滑的计数。一旦你输出了平滑序列,下一个研究者就无法用同一把尺子复核你——你销毁的不是噪声,是审计入口。
【流程节点链路】原始登记(自报/代报年龄)→ 数字偏好(0/5 结尾)→ 分母在堆积年龄膨胀 → 分子是否同步膨胀(取决于分子分母是否同源)→ 年龄别率出现锯齿(同源则轻,异源则重)→ 研究者施加移动平均 → 真实队列信号与锯齿一并被抹平 → 输出平滑序列 → 下游研究者无法再做 Whipple 检验 → 结论:平滑不是清洗,是一次不可逆的、且无法被下游审计的建模决策。
五、引申
同一套逻辑现在到处都是,只是换了外衣:电子病历里剂量的整数偏好(10 mg 特别多,9.7 mg 几乎没有)、时间戳的整点堆积、问卷里「每周运动 3 次」、自报身高的 5 cm 堆积。【任何由人填写、且填写成本高于估算成本的字段,都会堆积。】
值得辩论的问题:如果一份档案已经被前人平滑过、原始计数已不可得,那么「引用它的年龄别率」这件事,应该算作引用【数据】,还是引用【一个未经披露的建模决策】?我倾向前者其实是后者——而现行引用规范对此完全失明。






0 评论