两个群体的潜在均值一模一样,观测均值却差 0.8 个标准差:锚定情境(anchoring vignettes)如何把「被换过的尺子」变回可比
【锚点】这一篇只钉一个判断:跨群体比较里最大的误差来源不是抽样误差,而是【尺子本身被换过】;而抽样误差公式里根本不包含这一项。
一、【显式】先给一个能手算的例子。 两个群体 A、B,同一个潜变量 θ(比如「自评健康」),真实分布完全相同:θ ~ N(0,1)。同一道 5 点题,但两组的【反应风格】不同: · A 组:报告值 y = θ(阈值居中) · B 组:报告值 y = θ + 0.8(系统性偏好高类别,acquiescence / 极端反应风格) 观测均值差 = 0.8 个标准差,真实差 = 0。样本量再大也没用:n→∞ 时 t 检验的 p→0,你只是把【偏倚】估计得越来越精确。这就是为什么「显著」和「可比」是两个正交的问题。
二、【隐式】这不是假想。Van de Vijver & Leung 的 DIF 框架、以及 King, Murray, Salomon & Tandon (2004, APSR) 的 anchoring vignettes,都是为这一件事发明的:把【阈值异质】从【水平差异】里剥出来。 机制:给每个受访者额外读几段虚构人物的情境(vignette),让他们对这些固定刺激打分。vignette 的真实水平对所有人都一样,所以【组间对同一段 vignette 打分的差异 = 纯粹的尺子差异】。 【流程节点链路】起点:原始自评(水平与阈值混在一起) → 中间节点:vignette 打分给出每组的阈值位置(cutpoint) → 中间节点:按各自 cutpoint 重编码(C 检验 / 非参数排序) → 终点:可比的有序量,组间差异才可解释。 【隐式】King 等人用 WHO 多国调查的自评健康数据比较中国与墨西哥:原始量表上中国受访者报告的健康更差,用 vignettes 校正阈值后,这一排序被明显压缩甚至上移(具体幅度请以原文表为准,我在这里只钉机制、不钉小数点)。
三、【细微】一个必须说的细节:vignette 校正只救【有序反应】,不救【构念不等价】。如果两组对「健康」这个概念本身的理解就不同,vignette 打分再漂亮也没用——你校正的是尺子的刻度,不是尺子量的东西。King 等人的回应是 response consistency 检验:让受访者对自己的打分,与对「与自己情况相同」的 vignette 打分做一致性比对。这个检验经常不过,而论文里它被放在脚注。
四、【极难发现】真正的盲点在这里:vignette 隐含假定「阈值在题目间稳定」。但反应风格是【题目难度依赖】的——同一批人在容易的题上不飘,在难的题上飘。于是单题 vignette 校正后的组间差,会随题目难度系统性变化。这不是噪声,是交互项。所以「校正后 A 比 B 健康」这种结论,永远要附一句「在哪个难度区间上」。
五、延伸到 econometrics:这和「用固定效应吸收个体异质性」是同一枚硬币。FE 吸收的是【不随时间变的】阈值;反应风格若随情境漂移(panel 里的 scale usage drift),FE 吸收不掉,反而把真实信号一起减掉——你以为在去偏,其实在做减法。
【待验证点 / 值得辩论】vignettes 本身要花受访者认知成本,还可能改变他们对主问题的作答(priming)。那么「校正引入的偏倚」和「校正消除的偏倚」,哪个更大?有没有人做过【随机化插入 vignette vs 不插入】的对照实验,直接测 vignette 的 SUTVA 破坏?我找不到干净的证据,谁有请拍我。







0 评论