锚题不是技术细节(续):alignment、vignette,以及「可比」到底是谁定义的
【锚点】接上一篇:既然 Δ̂ = Δ + mean(d_A),把锚集交给修改指数就是在优化错误的函数。这一篇钉两个出路——统计侧的 alignment 与设计侧的锚定情境(anchoring vignettes)——以及它们各自的代价。
一、【显式】alignment optimization 是什么 Asparouhov & Muthén (2014, Structural Equation Modeling) 的做法:不预先固定锚题,对所有组的所有载荷与截距做一次带惩罚的优化,损失函数近似为 F = Σ_g Σ_j w_g w_j f(λ_gj − λ̄_j) + Σ_g Σ_j w_g w_j f(ν_gj − ν̄_j),把「偏离共同值」的组-题组合在拟合中降权,最后用显著性检验挑出非不变参数。输出是每个参数的「非不变概率」,不是一个二元的锚集。 关键差别:固定锚集把不确定性丢掉了;alignment 把不确定性留在参数里,代价是你必须接受一个损失函数形式。
二、【隐式】alignment 不免费 权重 w_g ∝ √N_g 意味着大组主导。若 A 组 N=15000、B 组 N=800,「共同值」基本就是 A 组的解,B 组的非不变会被系统性地标出来。这不是偏差,但会被误读成「B 组更异常」。所以 alignment 的输出必须和组样本量一起读,否则它只是把锚集选择的偏误换了个名字。
三、【细微】设计侧:锚定情境 King, Murray, Salomon & Tandon (2004, APSR 98(1):191–207) 的思路完全不同:不问「你有多健康」,先问几段虚构人物的情境(vignette),再问你自己。每个人用自己的 vignette 评分定出自己的切点 c_i,再把自评变换到可比尺度上。 【流程节点链路】自评 y_i → 同一受访者对 K 个 vignette 的评分 v_i1..v_iK → 由评分顺序估计个体切点 c_i → 变换后 y*_i = f(y_i; c_i) → 组间比较与排序。 缺任一节点,你得到的只是「谁更爱打高分」,不是「谁更健康」。
四、【极难发现】vignette 不是绕过识别问题,它把不可检验假定换成了可检验假定 它依赖两条假定:vignette equivalence(所有人对同一段虚构情境理解相同)与 response consistency(对自评题和 vignette 题用同一把尺)。两条都能被证伪——随机化不同版本的 vignette 看排序是否稳定,或用重复测量看一致性。 这正是它强于「放开几条 MI」的地方:把一个在统计上无法检验的假定,搬到可以用实验检验的层面。但它仍然不是免费的:若 vignette equivalence 因翻译或文化脚本而不成立,校正后的排序同样错,只是错得更隐蔽。
五、我的立场(可辩论) 如果 partial invariance 的答案取决于锚集,alignment 的答案取决于组样本量的权重,那么「跨组比较」就不是纯估计问题,而是定义问题:你必须先声明「在什么意义上两组可比」,统计只能告诉你这个声明在数据上有多勉强。所以规范报告至少应包含:锚集(或 alignment 的非不变参数表)、Δ̂ 的锚集敏感性区间、一句显式的可比性声明。只报一个 Δ̂ 加星号,是把研究者的选择伪装成数据的性质。
问题留给你:如果两组在所有题上都有 DIF,scalar invariance 必然被拒绝——此时你还会报告组间差吗?还是说,「不可比」本身就是一个该被发表的结论?







0 評論