Page 233 - 《社会》2017年第6期

社会· ２０１７ · ６

“直 接 删 除 法 ”（ 狅犿犻狋狋犻狀 犵犻狀狋犲狉狏犪犾狏犪犾狌犲狊 ）、“平 均 分 配 法”（ 狌狀犻犳狅狉犿
犪犾犾狅犮犪狋犻狅狀狑犻狋犺犻狀犻狀狋犲狉狏犪犾狊 ）、“参数辅助法”（ 犮犲狀狊狅狉犲犱狅狉犱犲狉犲犱狆 狉狅犫犻狋 ）和
）（
“最小熵法”（ 犿犻狀犻犿狌犿犲狀狋狉狅 狆狔 犓犻狀 犵 犪狀犱犠犪狀犱 ， ２００６ ； 犠犪狀犱 ， 犓犻狀 犵 犪狀犱
犔犪狌 ， ２０１１ ； 犠犪狀犱 ， ２０１３ ）。重新编码后的数据解决了评价尺度不一致的
问题，可以进行比较分析。
表 １ ：自评访题与两道虚拟情境题重新编码的所有可能情况
自我评估的相对顺序 公式 犆 方法 犅 方法
自评 ＜ 虚拟题 １ ≤ 虚拟题 ２ 狔 犻＜ 狕 犻１≤ 狕 犻２ １ １
自评 ＝ 虚拟题 １ ＜ 虚拟题 ２ 狔 犻＝狕 犻１＜ 狕 犻２ ２ ｛ １ ， ２ ｝
虚拟题 １ ＜ 自评 ＜ 虚拟题 ２ 狕 犻１＜狔 犻＜ 狕 犻２ ３ ２
虚拟题 １ ＜ 自评 ＝ 虚拟题 ２ 狕 犻１＜狔 犻＜ 狕 犻２ ４ ｛ ２ ， ３ ｝
虚拟题 １ ≤ 虚拟题 ２ ＜ 自评 狕 犻１≤ 狕 犻２＜狔 犻 ５ ３
注： １． 狔 是自评主观题的选项， 狕 １ 和 狕 ２ 是虚拟两道虚拟情景题的选项，理论假
设上 狕 １＜ 狕 ２ 。
２． “虚拟情境锚定法”为了实现不同个体之间存在的 犇犐犉 ，有 犅 方法和 犆 方法
对个体的自我评价进行调整。这两种方法的不同是在处理自评答案与虚
拟情境题答案之间相等时，即 狔 犻＝狏 犻犿 ， 犆 方法认为这种情况下，邻近的排序
可做绝对比较，而 犅 方法则认为这种情况没有提供更多信息，做绝对的比
较是武断的（ 犠犪狀犱 ， ２０１３ ）。
２． 参数方法
在理想状况下，向量 犆 中没有出现打结点或者不一致的现象，可
以使用标准次序 犘狉狅犫犻狋 模 型 对编 码后 的数据 进行 分析（ 犎狅 狆 犽犻狀狊犪狀犱
犓犻狀 犵２０１０ ）。但在实际调查中，打结点或者不一致的现象经常出现，实
，
证研究中就发展出一种新的方法。
“分层次序 犘狉狅犫犻狋 模型”（ 犺犻犲狉犪狉犮犺犻犮犪犾狅狉犱犲狉犲犱狆 狉狅犫犻狋 ， 犎犗犘犐犜 ）是在
“次序 犘狉狅犫犻狋 模型”（ 狅狉犱犲狉犲犱狆 狉狅犫犻狋犿狅犱犲犾 ， 犗犘犕 ）基础上发展而来的一
，
种“潜变量评估模型”（ 犓犻狀 犵犲狋犪犾． ， ２００４ ）。该方法假设调查对象 犻 的

真实值犢 犻 是一个潜变量，如本文的每个人的社会地位，是一个连续变
量，服从正态分布：
，

犢 犻 ～ 犖 （ １ ） （ ２ ）
μ 犻
为对象 犻 社会学人口等变量的线性函数，可观测协变量向量 犡
其中， μ 犻
可以包括年龄、教育程度等，
（ ３ ）
μ 犻 ＝ 犡 犻 β ＋ η 犻
为随机效应，服从正态分布，
其中 η 犻
η 犻 ～ 犖 （ ０ ， ω ） （ ４ ）
２
· ２ ２ ６ ·