《Educational and Psychological Measurement》:Measuring Social Attitudes With a Best–Worst Multidimensional Unfolding Model: Separating Proximity From Statement Selectability
编辑推荐:
本研究提出一种最佳–最差多维展开模型(Best–Worst multidimensional unfolding model),用于测量社会态度,其核心在于分离比较性邻近判断(comparative proximity judgments)的两个来源:受访者与
本研究提出一种最佳–最差多维展开模型(Best–Worst multidimensional unfolding model),用于测量社会态度,其核心在于分离比较性邻近判断(comparative proximity judgments)的两个来源:受访者与陈述之间的多维语义邻近性(multidimensional semantic proximity),以及陈述层面与距离无关的可选性(distance-independent selectability)。该模型将受访者与陈述定位于共同的多维态度空间(multidimensional attitude space)中,并基于欧氏距离(Euclidean distance)的效用差异,表征受访者选择与其观点最接近及最疏远陈述的行为。模型引入陈述特异性参数(statement-specific parameter),用以捕捉在控制受访者–陈述距离后,该陈述被更频繁选为最接近、更少被选为最疏远的倾向。所有参数均在贝叶斯框架(Bayesian framework)下联合估计。模拟研究评估了在实际最佳–最差区组设计(Best–Worst block designs)下的参数恢复情况,并考察了两种模型误设形式。在正确设定的模型下,陈述配置与距离无关可选性在各考察条件下均被准确恢复,而受访者位置的恢复则更大程度上依赖于维度数量与比较信息量。若忽略距离无关可选性,陈述位置将被系统性偏移,陈述间距离及受访者–陈述距离亦被扭曲。当拟合维度低于真实维度时,空间结构与距离无关可选性的恢复均出现恶化。上述结果表明,当使用最佳–最差判断解释社会态度的语义结构时,多维邻近性与陈述可选性应被联合建模。
研究背景与问题
社会态度的测量是社会心理学、政治学、社会学、教育学及市场营销等社会科学领域的核心议题。由于态度无法直接观测,研究者通常通过调查项目中的反应来推断其方向与强度。李克特式评分(Likert-type ratings)因其操作简便而被广泛采用,但该方法本质上是一种优势过程(dominance process)模型,无法直接测量受访者与陈述之间的邻近关系(proximity relations),因而无法揭示受访者具体接近或远离哪些陈述。相比之下,基于理想点过程(ideal-point process)的展开模型(unfolding model)能够将受访者与陈述定位于同一潜在空间中,以距离表征态度邻近性。Coombs(1964)的展开理论为此提供了几何框架,而Thurstone的比较判断法则奠定了从比较判断中量化心理属性的基础。在此基础上,Ikehara(2015)将单维展开IRT模型扩展至最佳–最差反应(Best–Worst responses),证明从最接近与最疏远陈述的选择中可以高效估计态度位置。
然而,现有模型存在两个尚未解决的关键问题。第一,社会态度并非必然沿单一赞成–反对轴组织,而可能反映平等、个人自由、传统与社会秩序等多种核心价值与意识形态框架,因此需要多维表征。第二,观测到的最佳–最差选择不仅反映受访者–陈述邻近性,还可能受到与距离无关的陈述层面系统可选性(distance-independent statement selectability)影响。在纯距离模型中,这一成分的差异会被吸收进陈述坐标,混淆语义位置与非空间可选性。若真实语义结构是多维的而拟合维度不足,被省略维度的变异可能被吸收进坐标或陈述可选性中;反之,若省略可选性,系统性选择差异可能被虚假表征为空间分离。这两种误设形式均会损害对估计态度空间的解释。
研究目的与意义
针对上述问题,本研究提出一种最佳–最差多维展开模型(Best–Worst multidimensional unfolding model),在共同语义空间中联合估计受访者与陈述位置,并同时估计陈述层面的距离无关可选性参数。该模型将效用定义为陈述可选性参数减去受访者与陈述之间的欧氏距离(Euclidean distance),并通过多项logit模型(multinomial logit model)刻画有序最佳–最差对的选择概率。这一设计旨在将语义邻近性与系统性陈述可选性明确分离,同时允许空间成分包含表征态度领域所需的维度。研究通过三项互补的模拟分析评估模型:第一项考察在正确设定模型下,参数恢复随受访者数、陈述数、呈现次数与维度数的变化;第二项考察省略距离无关可选性如何扭曲陈述位置与距离结构;第三项考察拟合维度低于真实维度对空间结构与可选性恢复的影响。这些分析共同评估所提模型能否将社会态度的语义组织与系统性陈述可选性分离开来。
主要技术方法
研究人员采用贝叶斯框架(Bayesian framework)联合估计所有参数。受访者坐标被赋予独立标准正态先验,陈述坐标采用含下三角约束与各列和为零约束的多元正态先验,距离无关可选性参数采用和为零约束并配以指数先验,选择敏感性参数亦采用指数先验。为处理多维展开模型固有的旋转与反射不确定性,研究人员在模型内施加识别约束,并对马尔可夫链蒙特卡洛(MCMC)后验抽样采用正交Procrustes对齐(orthogonal Procrustes alignment)后处理。估计与后处理使用R包BayesRTMB版本0.2.1完成。模拟数据生成中,陈述与受访者坐标独立生成自标准正态分布,可选性参数生成自均值为零、标准差为0.6的正态分布并居中,选择敏感性λ设为3。MCMC运行四条链,每条链包含1000次预热迭代与2000次采样迭代。
研究结果
正确设定模型下的参数恢复
主模拟研究涵盖16种条件,每种条件30次重复。结果表明,陈述配置在所有条件下均被良好恢复,陈述坐标相关不低于.984,陈述间距离相关不低于.934。距离无关可选性参数的恢复亦表现良好,相关在.937至.992之间。受访者位置的恢复则更依赖于维度数与比较信息量:在N=100、D=4的低信息条件下,受访者坐标相关降至.878;而在N=400、D=2的高信息条件下可达.979。受访者–陈述距离相关随信息量增加而提升,从.830升至.968。所有条件下的后对齐R?中位数的95百分位不超过1.003,表明收敛良好。
省略距离无关可选性的影响
在辅助分析中,研究人员将不包含α_m的模型拟合至由含α_m过程生成的数据。结果显示,省略距离无关可选性会系统性扭曲陈述位置,陈述间距离与受访者–陈述距离均发生畸变。这一结果表明,若不对可选性进行建模,系统性选择差异将被虚假吸收进空间几何中,从而损害对态度语义结构的解释。
维度欠设定的影响
在高维模拟中,数据以真实维度D=8生成,并分别拟合D_fit=2、4、6、8的模型。结果显示,当拟合维度低于真实维度时,空间结构与距离无关可选性的恢复均出现恶化。低维解与高维参考解之间的对齐比较进一步表明,维度欠设定不仅损失空间信息,还会污染可选性参数的估计。
讨论与结论
讨论部分指出,所提模型通过将距离无关可选性作为补偿量纳入效用函数,能够在距离尺度上直观展示陈述的相对可选性差异。可视化中,陈述位置以圆心表示,半径表示相对距离无关可选性,这一设计便于研究者同时解读语义位置与选择倾向。研究结论强调,当使用最佳–最差判断解释社会态度的语义结构时,多维邻近性与陈述可选性必须被联合建模。正确设定的模型能够准确恢复陈述配置与可选性参数,而省略可选性或维度欠设定均会损害空间结构与参数恢复。该模型为多维态度测量提供了一种能够分离语义邻近性与系统性选择偏差的统计工具,对社会科学中态度结构的理论解释具有重要方法学意义。