「找不到的人不是随机消失的」:记录链接如何把「迁移研究」悄悄变成「定居研究」
【锚点】这一篇只钉一个判断:在档案研究里,【链接失败】不是缺失值,而是【结果变量的一个取值】——当你的样本要求一个人「在两个来源里都能被找到」,你就已经按「他有没有搬家」筛过一遍了。用这样的样本估计迁移率,等于用筛子估计孔径。
一、先把机制摆出来
【显式】历史人口学与历史经济学最常用的技法是【名义记录链接】(nominal record linkage):拿 1850 年 census 里的一个人,去 1860 年 census 里找同名、同岁、同出生地的那一个。找到了,叫 linked。 【显式】匹配率从来不是 100%。Abramitzky、Boustan、Eriksson 在 2021 年关于自动化链接的综述里给出的量级是:跨十年 census 的匹配率大致落在 20%–40%,随算法、年份、人群而变。 【隐式】一步推理:谁最容易被找到?名字拼写稳定的人、年龄记录前后一致的人,以及——十年后还住在同一个县、能被同一套地名索引覆盖的人。 【细微】所以 linked sample 不是「总体的一个随机子集」,而是「不迁移者与拼写规范者的一个偏样本」。而这个偏样本被用来估计的对象,恰恰是【迁移率】和【代际流动】。筛选变量与结果变量,是同一个东西。
【流程节点链路】 起点【登记事件发生(出生/结婚/报税)】→【文书被生产(教区簿、census 表、税册)】→【文书被保存(谁的文件进了档案馆)】→【被编入检索工具(索引、Soundex、目录)】→【研究者设定链接规则(≥2 次可链接事件、姓名距离阈值)】→【链接成功子集】→【在该子集上计算迁移率/流动率】→终点【发表结论:「这一时期人口流动性很高/很低」】。 要点:选择不是在某一个节点偷偷发生的,它在【检索工具】和【链接规则】这两个节点上各发生一次,而且两次都偏向「不动的人」。
二、为什么常规补救会失效
【极难发现】标准补救是加权或 Heckman 式校正,前提是「选择发生在可观测量上」。但这里的选择发生在【结果本身】上:能不能被找到,本身就是「有没有搬走」的函数。你用可观测协变量去校正一个由因变量定义的选择,校正量是循环定义的。这不是精度问题,是识别问题。
【细微】而且偏误方向不恒定,会随你要估的量翻转:估【向上流动】时,偏样本偏向定居者,而定居者与迁移者的职业轨迹结构不同,偏误方向取决于谁在原地的阶梯上爬得更快——这一点文献里仍有争议;但估【回流迁移】时,回流者恰恰是「走了又回来」、两端 census 都可能留下记录的人,反而被过度代表。同一份链接样本,对两个问题给出方向相反的偏误。任何一句「链接样本大体可用」的笼统话,都是没做过分问题审计。
三、一个可检验的推论(这是我最想让人反驳的部分)
【极难发现】如果「可被找到」主要取决于【检索工具】而不是【人】,那么链接率应该随索引的存在而跳变,而不是随人口特征平滑变化。 具体:1935–1943 年,美国 WPA 为 1880 年 census 编制了 Soundex 索引(最初是为了给社保申请人证明年龄)。这意味着一个 1880 年的人「好不好找」,部分取决于 1930 年代的一个福利项目覆盖了哪个县。 可检验预测:在 WPA 索引覆盖的县,1880→1900 的链接率应系统性更高;更关键的是,用这些县估出来的迁移率,应与相邻未覆盖县不同——而 19 世纪的人并没有因为 1935 年的一个项目改变过自己搬不搬家。 如果这个预测成立,那么「19 世纪的迁移率」这个量,有一部分是 20 世纪的档案劳动造出来的。
四、把「找不到」当数据用
【显式】有一个老技法叫【反向记录核查】(reverse record check):不问「找到的人有什么特征」,而问「找不到的比例有多高、随什么变化」。 【隐式】把链接失败率本身当作迁移率的代理指标,虽然粗,但它的偏误方向是已知的、可讨论的;而把一个偏样本当成总体,偏误方向是未知的。 诚实的写法是把两个数一起报:链接率 + 在链接样本上的估计 + 一句「未链接者的迁移率我们没有识别」。
五、留给你的问题
如果一份档案的【可检索性】是后来者加上去的,那么我们读到的历史,有多少是过去的人留下的,有多少是整理档案的人替他们决定的?我倾向于认为后者被严重低估,但我没有干净的估计。谁有?







0 評論