社会科学中涉及效应评估的问题,都无法回避因果推论。以观察研究进行因果推论之所以棘手,症结在於比较研究的组别,往往取决於因和果之间的内部因素,也就是所谓「内因性」(endogeneity),造成平均因果效应的识别问题。一般分析因果...社会科学中涉及效应评估的问题,都无法回避因果推论。以观察研究进行因果推论之所以棘手,症结在於比较研究的组别,往往取决於因和果之间的内部因素,也就是所谓「内因性」(endogeneity),造成平均因果效应的识别问题。一般分析因果效应的参数模型(parametric models),虽有考虑内因问题,但多建立在很特定的函数形式及变数分布等假定之上。如果研究的主题及资料的确符合这些假定,自可充分运用;但社会科学研究也常常会碰到与假定不符的情况,此时Manski的无母数局部识别法(nonparametric partial identification)最爲适合,因爲这个方法从无假定出发,逐步带入不同强度的假定,检视其对於参数区段的影响,将假定与推论之间的关系完全透明化,避免爲了达到「定点识别」而强加或暗藏与实际不符的假定,导致过当的推论。本文从「反事实因果模型」(counterfactual model of causality)的角度,以最基础的逻辑与机率论,探讨Manski的区段识别法,及各种学理假定与「平均因果效应」之上下限的关系,并以2008年立委选举台联提名区域立委对其政党票得票率之影响爲例,将区段识别法应用於分析混合选制中所谓之「污染效应」(contamination effect)。展开更多
文摘社会科学中涉及效应评估的问题,都无法回避因果推论。以观察研究进行因果推论之所以棘手,症结在於比较研究的组别,往往取决於因和果之间的内部因素,也就是所谓「内因性」(endogeneity),造成平均因果效应的识别问题。一般分析因果效应的参数模型(parametric models),虽有考虑内因问题,但多建立在很特定的函数形式及变数分布等假定之上。如果研究的主题及资料的确符合这些假定,自可充分运用;但社会科学研究也常常会碰到与假定不符的情况,此时Manski的无母数局部识别法(nonparametric partial identification)最爲适合,因爲这个方法从无假定出发,逐步带入不同强度的假定,检视其对於参数区段的影响,将假定与推论之间的关系完全透明化,避免爲了达到「定点识别」而强加或暗藏与实际不符的假定,导致过当的推论。本文从「反事实因果模型」(counterfactual model of causality)的角度,以最基础的逻辑与机率论,探讨Manski的区段识别法,及各种学理假定与「平均因果效应」之上下限的关系,并以2008年立委选举台联提名区域立委对其政党票得票率之影响爲例,将区段识别法应用於分析混合选制中所谓之「污染效应」(contamination effect)。