Page 209 - 《社会》2017年第1期
P. 209
社会· ２０１７ · １
布如图 ２ 所示。在每一个子图中， ９５％ 的置信区间用虚线标识出来。
同时，综合 ５ 个模型的信息，我们在图 ２ 的（ ６ ）中报告了综合考虑所有
备选模型后估算出的因果效果。为了更加直观地展现 犕犆犕犆 模型和
常规模型的区别，我们将 ５ 个候选模型估计的因果效果与相应的常规
模型估计得因果效果进行了对比（图 ３ ）。如上文所述，这里的常规模
型是指将倾向值作为固定值而非随机变量处理的模型。
图 ２ ：不同模型的平均处理效应估计以及综合所有模型的平均处理效应估计
通过图 ３ 我们可以发现，几乎所有的 犕犆犕犆 模型的置信区间都要
小于常规模型的置信区间。也就是说，当同时考虑到倾向值估计的不
（接上页）平均的分析过程是不一样的。在这里， 犕犆犕犆 是一种参数估计的手段，主要用于估
计联合似然函数中特定变量系数的后验分布。但是“贝叶斯平均法”是将不同的模型作为变
量进行估计，其目的是为了获得模型的后验分布。正因为如此，“贝叶斯平均法”被用来处理
模型的不确定性问题，而通过 犕犆犕犆 来对联合似然函数进行估计则被用来处理系数的不确
定性。从某种意义上说，齐格勒与多米尼茨将贝叶斯模型平均与 犕犆犕犆 方法进行系数估计
整合进了一套 犕犆犕犆 的估计过程，他们的方法或可称之为“完全 犕犆犕犆 ”（ 犳狌犾犾犕犆犕犆 ）。但正
如文中所述，其估计过程更为复杂。
· ２ ０ ２ ·
