Page 195 - 《社会》2017年第1期

社会· ２０１７ · １

从本质上讲，基于统计模型估计出的变量间关系代表的是一种概
率关系而非决定性关系，对于这一点，目前社会学量化研究还没有给予
足够的重视。在诠释量化模型结果的时候，很多学者倾向于采用一种
“决定论”（ 犱犲狋犲狉犿犻狀犻狊狋犻犮 ）式的态度。比如，对于线性模型 犈 （ 犢 ） ＝β 犡 ，
一般会将其诠释为： 犡 变动一个单位会带来 犢 的期望值 犈 （ 犢 ）变动 β 个
单位。这种诠释虽不错误，却片面的关注点估计（ 狅犻狀狋犲狊狋犻犿犪狋犲 ）结果，
狆
忽视了系数 β 本身也是存在变异（ 狏犪狉犻犪狋犻狅狀 ）的情况。换句话说， β 的“不
确定性”（ 狌狀犮犲狉狋犪犻狀狋犻犲狊 ）没有被考虑到。
按照统计学家德雷珀（ 犇狉犪 狆 犲狉 ， １９９５ ）的定义，一个统计模型至少
存在两种“不确定性”。第一种被称为“参数（ 犪狉犪犿犲狋狉犻犮 ）的不确定性”。
狆
意指我们在利用样本数据估计整体（ 狅狌犾犪狋犻狅狀 ）模型系数的时候，由于
狆狆
样本本身的随机抽样，最后研究者得到的只能是一个关于某系数的变
动区间，而不可能是一个百分之百确定的数值。 １ 第二种“不确定性”是
“模型形式（ 犿狅犱犲犾犳狅狉犿 ）的不确定性”。这种“不确定性”是指在分析特
定研究问题的时候，研究者通常会面临很多备选模型，从而带来模型拟
合形式上的不确定。 ２ 这两种统计模型的“不确定性”在当下逐渐兴起
的倾向值方法中尤为突出。通常而言，倾向值分析要求研究者通过一
个广义线性模型（例如逻辑斯蒂回归）计算出每个被研究个体的倾向值
得分（此模型被称为“倾向值模型”），然后再将此倾向值得分通过细分

（ 狊狌犫犮犾犪狊狊犻犳犻犮犪狋犻狅狀 ）、加 权 （ 狑犲犻 犵 犺狋犻狀 犵 ）、回 归 调 整 （ 狉犲 犵 狉犲狊狊犻狅狀
犪犱 犼 狌狊狋犿犲狀狋 ）等方式纳入结果模型（ 狅狌狋犮狅犿犲犿狅犱犲犾 ）。 ３ 在这样一个分析
过程中，一方面，我们基于样本得到的广义线性回归模型系数会随着不
同的抽样样本而变化，这就决定了我们基于此模型计算出的每个个体
的倾向值得分也必然是一个随机变量，从而间接体现系数的不确定性。
另一方 面，预 测 倾 向 值 得 分 的 时 候，我 们 会 考 虑 很 多 的 混 淆 变 量
（ 犮狅狀犳狅狌狀犱犻狀 犵狏犪狉犻犪犫犾犲狊 ）。 ４ 但是，社会学研究者在通常情况下需要自主

１． 例如，当用样本收入均值估算总体收入均值时，我们无法知道总体收入均值的具体值，而只
能估算出其可能取值的区间。这一区间的大小和我们希望达到的统计效率（ 犲犳犳犻犮犻犲狀犮 狔 ）有关。
２． 一般而言，所有的备选模型构成了一个模型空间（ 犿狅犱犲犾狊 狆 犪犮犲 ）。
３． 结果模型是指因变量为我们需要解释的变量的模型。与结果模型相比，倾向值方法中还
涉及估算倾向值的广义线性模型，后者的因变量为处理变量（ 狋狉犲犪狋犿犲狀狋 ）。
４． 混淆变量是指同时与因变量和自变量相关的变量。由于混淆变量的存在，自变量和因变
量之间的关系有可能是虚假的。
· １ ８ ８ ·