因果推论与效应评估：区段识别法及其於「选制效应」之应用

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)。