Public Signals, Concealed Choices: Dynamic Measurement without Behavioral Identification¶

作者: Rok Spruk
主题: 因果推断
相关性: 6/10
链接: https://arxiv.org/abs/2608.21077

一、领域脉络与小综述¶

这个方向是什么¶

本文研究的根本问题是：在集体决策场景下，当个体的行为选择（如投票）完全隐藏，仅留下公开信号（如官方声明、新闻稿）时，如何从这些信号中测量个体的公开立场，以及如何理解该立场与隐藏行为之间的关系。这是一个介于“完全可观测行为”（如公开的议会投票记录）与“完全无信息”之间的中间地带。当前该子方向的成熟度较低，缺乏一个统一的框架来区分“测量公开立场”与“识别行为链接”这两个截然不同的任务，常常导致研究者将前者（对公开立场的精确估计）错误地等同于后者（对隐藏行为的推断）。

发展脉络¶

奠基工作：从可观测行为中恢复潜在立场
- Poole & Rosenthal (1985) 和 Clinton, Jackman & Rivers (2004) 建立了从可观测的议会投票（roll-call votes）中恢复立法者理想点（ideal points）的经典框架。这是整个领域的起点，其核心假设是行为（投票）是可观测的。
- Martin & Quinn (2002) 将动态结构引入理想点模型，用于追踪美国最高法院大法官随时间变化的意识形态。West & Harrison (1997) 提供了动态贝叶斯模型的一般性框架。这些工作奠定了本文测量模型（动态状态空间模型）的数学基础。
主要进展：处理文本数据与动态测量
- Elff (2013) 将动态状态空间模型应用于编码后的政治文本，直接从文本中恢复潜在立场。这是本文的直接前身，但Elff的模型假设文本是行为的直接反映，并未区分“公开立场”与“隐藏行为”。
- Kim, Londregan & Ratkovic (2018) 提出了一个联合模型，同时利用投票和文本数据来估计共同的空间偏好。他们的方法依赖于可观测的投票行为来锚定文本的潜在尺度。本文的设定恰好相反：投票行为是隐藏的，因此无法使用这种联合锚定。
- Reuning, Kenwick & Fariss (2019) 指出了动态模型的一个关键缺陷：当数据稀疏时，时间平滑会掩盖突变或产生误导性的精度。这直接影响了本文的设计——作者明确表示其贡献“不是一个新的状态空间核”，而是围绕它构建的推断架构。
当前Frontier与本文位置：处理部分隐藏行为与不可识别性
- 当前的前沿是处理行为部分或完全不可观测的情况。Carrubba et al. (2006) 和 Hug (2010) 已经指出，未记录的投票（unrecorded votes）会导致选择偏差，影响基于投票的分析。Rubin (1976) 关于缺失数据的经典工作为理解这种“可观测性”问题提供了理论基础。
- 本文的位置：它填补了“可观测投票”与“完全无行为数据”之间的空白。作者明确指出，其贡献不在于提出新的状态空间模型，而在于构建了一个推断架构，该架构：
  1. 明确定义了一个狭窄的、条件于语料库的“公开立场”估计量。
  2. 证明了似然排除（likelihood-exclusion） 结果：在给定条件下，公开信号无法更新行为链接参数的后验。
  3. 因此，任何声称的从立场到行为的映射只能以敏感性包络（sensitivity envelope） 的形式报告，而非点估计或识别界。

子线索聚类¶

理想点与投票模型：以Poole & Rosenthal (1985), Clinton et al. (2004), Martin & Quinn (2002) 为代表。核心是利用可观测的离散行为（投票）来推断连续潜在偏好。这是最成熟的线索。
文本作为数据：以Elff (2013), Kim et al. (2018), Grimmer & Stewart (2013) 为代表。核心是从非结构化的文本中提取结构化的立场信息。Kim et al. (2018) 试图将文本与投票联合建模，但依赖于投票的可观测性。
缺失数据与选择偏差：以Rubin (1976), Carrubba et al. (2006), Hug (2010) 为代表。核心是处理行为或信号的可观测性并非随机的问题。本文的“可观测性”问题（谁说话、谁沉默）直接属于此线索。
贝叶斯非识别模型：以Poirier (1998) 为代表。核心是处理模型中参数无法被数据识别的贝叶斯推断。本文的Proposition 1直接应用了Poirier的逻辑，是这一线索在“隐藏集体选择”场景下的具体化。

核心问题与瓶颈¶

如何从公开信号中测量一个“干净”的立场？ 瓶颈在于信号是有选择地产生的（谁说话、说什么、何时说），且信号本身（如“支持国际法”）与具体行为（如“投票支持某决议”）不是同一概念。
如何将测量的公开立场与隐藏行为链接起来？ 这是本文的核心问题。瓶颈在于，如果行为完全不可观测，那么任何声称的链接函数（如“立场越强，投票支持的概率越高”）都无法被数据识别。
如何处理信号稀疏性和不均匀性？ 瓶颈在于，少数活跃的个体可能产生大部分信号，而沉默的大多数则几乎没有信息。动态模型虽然能利用时间结构，但在极端稀疏下可能不如简单方法。
如何评估和报告不确定性？ 瓶颈在于，不确定性不仅来自测量误差，更来自不可识别性。传统的置信区间或后验区间无法反映后者。本文提出的“敏感性包络”是一种尝试，但它本身也依赖于一个声明的、无法被数据验证的映射类。

⚠️ 作者的Framing¶

作者如何frame缺口：作者将缺口定义为“在观察到公开信号但行为完全隐藏的中间设定下，缺乏一个将‘测量公开立场’与‘识别行为链接’明确分离的推断架构”。作者声称，现有方法要么假设行为可观测（如投票模型），要么假设信号是行为的直接反映（如文本模型），而本文填补了这两者之间的空白。
被淡化或回避的竞争路线：
- 结构选择模型：作者明确承认，如果能够对“信号产生过程”建模（例如，一个结构性模型来解释为什么某些部长说话更多），理论上可以解决部分问题。但作者认为“本语料库无法识别这样的模型”，因此将其回避。这暗示了，如果数据更丰富（如多个决策、更长的面板），结构选择模型可能是一条更强的竞争路线。
- Proximal Causal Inference (PCI)：本文的似然排除结果（Proposition 1）与PCI中的负对照（negative control） 逻辑有深刻的相似性。在PCI中，一个负对照暴露（或结果）被用来检测或校正未观测的混杂。在这里，行为链接参数λ可以被视为一个“目标”，而公开信号Y则无法提供关于λ的信息，因为λ被排除在观测数据的似然之外。这本质上是一种“负对照”结构。作者完全没有提及PCI，这可能是一个值得研究者去探索的连接点。
什么明显该被引/该存在、却没出现在intro里？
- Proximal Causal Inference (Tchetgen Tchetgen et al., 2020; Miao et al., 2018等)：如上所述，本文的核心识别问题与PCI的框架高度相关。PCI提供了一套处理“部分可观测性”和“代理变量”的成熟理论（包括识别条件、效率理论）。引入PCI可以极大地形式化本文的识别问题，并可能提供更一般的敏感性分析框架。这是一个高价值信号，值得研究者去核实。
- 部分识别（Partial Identification, Manski, 2003）：本文的“敏感性包络”本质上是一种部分识别的方法。Manski的经典工作为在弱假设下获得识别界提供了系统框架。作者没有引用Manski，而是引用了Poirier (1998) 的贝叶斯非识别模型。这暗示作者选择了贝叶斯路径而非频率学派的部分识别路径。比较这两种路径的优劣是一个有趣的问题。

张力¶

未见明显对立引用。被引工作之间是互补的，共同构成了从“完全可观测行为”到“完全隐藏行为”的谱系。主要的张力在于，当数据稀疏时，复杂的动态模型是否真的优于简单的信号汇总规则。本文的模拟实验明确展示了这种张力，并诚实地报告了动态模型在某些条件下的劣势。

二、最核心、最简单的例子 / 数学问题¶

第一步：符号、模型与可观测数据¶

符号：
- i = 1, ..., N: 个体（如部长）的索引。
- t = 1, ..., T: 时间周期（如季度）的索引。
- r = 1, ..., R: 可恢复的公开通信（如新闻稿）的索引。
- θ_{it}: 核心估计量。个体i在时间t的语料库条件公开立场（corpus-conditional public-position state）。这是一个标量，值越大表示公开表达的支持越强。这是潜在变量，是我们想要估计但无法直接观测的。
- y_r: 第r条通信的有序编码，取值范围为{-2, -1, 0, 1, 2}。这是可观测数据。
- B: 完全未观测到的制度性行为（如秘密投票结果）。这是潜在变量，且完全不可观测。
- λ: 行为链接参数，用于将θ映射到B。这是目标参数，但我们无法从数据中学习它。
- ψ: 测量参数，包括状态空间模型中的方差和有序Logistic模型中的区分度。这些是辅助参数，用于从y估计θ。
- σ_0^2: 初始状态θ_{i1}的方差。
- τ^2: 状态转移方程中创新项u_{it}的方差。
- β: 有序Logistic模型中的区分度参数（discrimination parameter）。
- κ: 有序Logistic模型中的固定截断点（cut-points）。
模型：
1. 状态转移模型：θ_{it}遵循一个独立的随机游走。
  - θ_{i1} ~ N(0, σ_0^2)
  - θ_{it} = θ_{i,t-1} + u_{it}, 其中 u_{it} ~ N(0, τ^2)
2. 观测模型：可观测的有序编码y_r通过一个有序Logistic模型与潜在立场θ相连。
  - Pr(y_r ≤ j | θ_{i(r), t(r)}) = logit^{-1}(κ_j - β * θ_{i(r), t(r)})
  - 其中κ_j是固定的截断点，β是固定的区分度。
可观测数据：
- 研究者实际能观测到的是：一系列有序编码y_r，以及这些编码对应的个体i(r) 和时间t(r)。
- 研究者无法观测到的是：
  1. 潜在立场θ_{it}。
  2. 制度性行为B（如秘密投票）。
  3. 行为链接参数λ。
  4. 为什么某些个体说话而另一些保持沉默（信号产生机制）。

第二步：最小内核¶

本文的核心数学困难可以用一个最简特例来理解：假设只有一个个体（N=1），两个时间点（T=2），且该个体在时间点2做了一个秘密的二元选择（B ∈ {0, 1}，例如，投票支持或反对）。我们观测到该个体在时间点1和2的公开信号（y_1, y_2）。

问题：我们想估计行为链接参数λ，它定义了Pr(B=1 | θ_2)，例如，一个简单的Logistic模型：Pr(B=1 | θ_2) = logit^{-1}(λ_0 + λ_1 θ_2)。
可观测数据：y_1, y_2。
潜在变量：θ_1, θ_2, B。
模型：
- θ_1 ~ N(0, σ_0^2)
- θ_2 = θ_1 + u, u ~ N(0, τ^2)
- y_t ~ OrderedLogit(β θ_t, κ) (t=1, 2)
- B ~ Bernoulli(logit^{-1}(λ_0 + λ_1 θ_2))

本文的核心命题（Proposition 1）在这个特例下退化成什么？

命题说：如果λ（这里是λ_0, λ_1）只进入B的分布，并且不进入y的分布，且先验独立，那么观测到y_1, y_2不会更新我们对λ的信念。

证明思路（在这个特例下）：

我们想求p(λ | y_1, y_2)。
根据贝叶斯定理，p(λ | y_1, y_2) ∝ p(λ) * p(y_1, y_2 | λ)。
关键在于计算似然p(y_1, y_2 | λ)。由于B是完全未观测的，我们需要将其边缘化： p(y_1, y_2 | λ) = ∫∫ p(y_1, y_2 | θ_1, θ_2) * [Σ_{b=0}^1 p(B=b | θ_2, λ)] * p(θ_1, θ_2) dθ_1 dθ_2
注意，p(y_1, y_2 | θ_1, θ_2) 中不包含λ（因为λ只影响B）。而Σ_{b=0}^1 p(B=b | θ_2, λ) = 1（因为概率之和为1）。
因此，p(y_1, y_2 | λ) = ∫∫ p(y_1, y_2 | θ_1, θ_2) * 1 * p(θ_1, θ_2) dθ_1 dθ_2。这个积分与λ无关！
所以，p(λ | y_1, y_2) ∝ p(λ) * (与λ无关的常数)，即p(λ | y_1, y_2) = p(λ)。

这个例子揭示了什么？

它揭示了识别失败的本质。即使我们能够完美地测量θ_2（例如，通过无限多的精确信号），我们仍然无法从y中学习λ。因为λ和y之间的唯一桥梁是θ_2，而θ_2通过B与λ相连。但是，由于B从未被观测到，这个桥梁在似然中被“边缘化”掉了（因为B的概率之和为1）。观测y可以更新我们对θ_2的信念，但无法更新λ，因为λ对y的似然没有贡献。

本文的关键想法：承认这种不可识别性，并放弃点估计或识别界，转而报告一个敏感性包络。这个包络通过在一个声明的、合理的映射类C上变化λ，来展示不同的λ假设会导致什么样的行为概率范围。这避免了将“对θ的精确估计”错误地等同于“对B的精确预测”。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在集体决策场景下，当个体行为（如投票）完全隐藏，仅留下公开信号时，如何将“测量公开立场”与“识别行为链接”这两个任务分离开来，并诚实地报告不确定性。
核心工具/方法：一个动态有序状态空间模型用于测量公开立场，加上一个似然排除（likelihood-exclusion）命题来证明行为链接参数的不可识别性，最后通过敏感性包络（sensitivity envelope） 来展示行为含义的范围。
主要结论：公开信号无法更新行为链接参数的后验（在给定先验独立条件下）。因此，任何从公开立场到隐藏行为的映射都只能以敏感性包络的形式报告，而非点估计或识别界。对斯洛文尼亚内阁的案例分析表明，公开信号只能定位少数高度可见的个体，而大多数成员的后验被先验主导。

关键设定与假设¶

核心估计量：θ_{it}被明确定义为“语料库条件公开立场”，它不是私人偏好、完整信息集或对未观测场景下言论的估计。这是一个关键假设，它将估计量限制在可观测的、经过编码的公开记录上。
状态转移模型：假设θ_{it}遵循独立的随机游走。相比已有文献，作者强化了独立性假设（不借用政党或部门均值），目的是让信息缺失变得可见，而不是通过群体归属来填补。这是一个有意识的设计选择，而非技术限制。
观测模型：使用有序Logistic模型，但固定了截断点κ和区分度β。相比已有文献，这是一个强化的假设。作者认为，在数据极度稀疏（36条记录集中在6个人身上）的情况下，联合估计所有参数会“用弱识别的灵活性取代透明的假设”。这是一个务实的、但也是可争议的假设。
似然排除命题的假设：
1. 似然排除：行为链接参数λ不进入观测数据Y的似然p(Y|Θ, ψ)。
2. 行为完全未观测：B是完全未观测的。
3. 先验独立性：p(λ, Θ, ψ) = p(λ) p(Θ, ψ)。
4. 相比已有文献，这个命题是强化了识别问题的边界。它明确指出，即使Θ被完美测量，只要上述三个条件成立，λ就无法被学习。这比简单地说“投票很难预测”要强得多。
敏感性包络：声明了一个映射类C = {(a, k, π): a∈[-0.5, 0.5], k∈[0.5, 2], π∈[0.5, 0.9]}。这个类假设了单调性（k>0，即立场越强，支持概率越高）和参与概率的范围。这是一个弱假设，但也是不可验证的。

主要结果¶

理论结果（Proposition 1）：这是本文的核心理论贡献。它严格证明了在给定条件下，行为链接参数λ的后验等于其先验。这意味着，无论我们收集多少公开信号，都无法从数据中学习λ。这个结果将“测量”和“行为识别”彻底分开。
模拟结果：
- 动态模型优势：在基线设定下，动态有序模型相比静态有序模型，RMSE更低（1.141 vs 1.212）且区间覆盖率更好（0.945 vs 0.767）。在信息密集时，其排名恢复能力更强（Spearman相关系数0.755 vs 0.706）。
- 动态模型劣势：在严重稀疏时，简单方法（如均值信号）的排名恢复能力与动态模型相当甚至略好。在弱区分度和遗漏维度时，动态模型的覆盖率下降到0.89左右，表明模型设定错误时校准会失效。
- 关键含义：动态模型的价值在于不确定性校准和利用时间信息，而非在所有情况下都提供最佳的点估计。模拟结果诚实地展示了方法的适用边界。
实证结果（斯洛文尼亚内阁案例）：
- 信号极度集中：36条可归因信号中，29条来自两位部长（Tanja Fajon和Robert Golob）。21位部长中只有6位有任何可归因信号。
- 后验结果：模型只定位了一个小的、高度可见的群体（Asta Vrečko, Tanja Fajon, Robert Golob），其公开立场明显偏向支持外部法律和外交压力。其余15位部长的后验被先验主导，区间宽度约为6个潜在单位。
- 事件依赖性调整：当对同一事件的多条信号进行去重或降权后，即使是可见群体的后验精度也显著下降（例如，Vrečko的95%区间轻微跨越零）。
- 与披露结果的对比：披露的投票记录显示，7张反对票全部来自没有可归因信号的部长。但同时，该群体中也有2票赞成，6票未投票。这表明“无信号”不等于“反对”。该对比没有被用来验证模型，而是作为一个诊断性对比，强调了公开立场、参与和具体选择是三个不同的概念。

证明路线与技术技巧¶

整体路线：
1. 定义问题：将问题形式化为一个贝叶斯分层模型，其中包含可观测的公开信号Y、潜在立场Θ、测量参数ψ、未观测行为B和行为链接参数λ。
2. 识别核心困难：指出λ是目标，但它只通过B与数据相连，而B是完全未观测的。
3. 证明不可识别性（Proposition 1）：通过边缘化未观测的B，并利用λ不进入Y的似然以及先验独立性，证明p(λ|Y) = p(λ)。证明的关键在于Σ_b p(B=b|Θ, λ) = 1，这使得λ在边缘化过程中被消去。
4. 构建替代方案：由于无法识别λ，放弃点估计，转而构建一个敏感性包络。这个包络通过在一个声明的、合理的映射类C上变化λ，来展示λ的不同取值会导致什么样的行为概率范围。
5. 评估测量部分：通过模拟和实证，评估动态有序模型在恢复潜在立场Θ方面的表现，并诚实地报告其在不同条件下的优势和劣势。
关键跳跃点：
- 从“估计”到“敏感性分析”的跳跃：这是本文最关键的思维转变。作者没有试图寻找一个“最佳”的λ估计，而是承认其不可识别性，并转向报告一个依赖于外部假设的包络。这个跳跃是概念性的，而非技术性的，但它定义了整个论文的贡献。
- 证明中“概率之和为1”的运用：这是证明中最巧妙的一步。Σ_b p(B=b|Θ, λ) = 1这个看似平凡的恒等式，在边缘化未观测行为时，直接消除了λ对似然的影响。这是一个非常简洁且有力的论证。
技术技巧点名：
- 贝叶斯非识别模型（Bayesian nonidentified model）：整个理论框架建立在Poirier (1998) 的基础上，处理参数无法被数据识别时的贝叶斯推断。
- 动态有序状态空间模型（Dynamic ordinal state-space model）：用于测量潜在立场，结合了卡尔曼滤波/平滑和有序Logistic回归的思想。
- 非中心化参数化（Non-centered parameterization）：在MCMC采样中用于提高效率，将状态转移模型重写为θ_{it} = θ_{i,t-1} + τ z_{it}，其中z_{it} ~ N(0,1)。
- 广义贝叶斯/分数似然（Generalized Bayes / Fractional likelihood）：在事件依赖性敏感性分析中，使用分数幂似然（p(y_r|θ)^{w_r}）来降低重复信号的影响。
- NUTS采样器（No-U-Turn Sampler）：用于高效地从后验分布中采样。

真实例子与应用¶

数据/场景：斯洛文尼亚内阁在2026年3月12日关于是否介入“南非诉以色列案”的秘密决策。数据是决策前（截止到3月11日）所有可公开获取的官方声明和新闻稿。
方法应用：
1. 根据一个声明的协议，从GOV.SI和Levica网站搜索并编码了41条记录（36条个人信号，5条组织信号）。
2. 使用动态有序状态空间模型，从这36条信号中估计出21位部长在决策时刻的“语料库条件公开立场”θ_{iT}。
3. 基于θ_{iT}的后验分布，在一个声明的映射类C上计算“投票支持”的敏感性包络。
结果：
- 模型只“看到”了6位部长，其中2位贡献了大部分信号。
- 只有3位部长的后验均值明显为正（Vrečko, Fajon, Golob），其余15位部长的后验被先验主导。
- 敏感性包络非常宽，即使对于可见的部长，也几乎覆盖了整个概率范围。
这个例子想说明什么：
- 验证理论：实证结果完美地说明了Proposition 1的实践含义。当信号稀疏且集中在少数人身上时，我们无法对大多数人的隐藏行为做出任何有信息的推断。
- 展示方法：展示了如何将理论框架应用于一个真实的政治科学问题，并诚实地报告了不确定性。
- 提供警示：与事后披露的投票记录对比，生动地展示了将“公开立场”等同于“隐藏行为”的危险性。所有反对票都来自“无信号”群体，但该群体中也有赞成票和未投票者。

🔎 结论是否比证明窄¶

是。Proposition 1的证明是严格的，但其结论依赖于先验独立性假设。作者在文中承认：“如果p(λ, Θ, ψ)是相关的，观测到Y可以通过更新Θ或ψ来改变λ的边缘分布。” 然而，在实证部分，作者没有探索或报告这种先验相关性可能带来的影响。作者只是简单地假设了先验独立性，并在此基础上得出结论。这是一个窄化：理论结果允许更一般的情况（先验相关），但实证结论只适用于一个特例（先验独立）。
另一个窄化：作者声称“本文的贡献不在于声称动态模型普遍更优，而在于提供一个推断架构”。然而，在模拟和实证中，作者主要展示了动态模型相对于静态模型的优势。对于“推断架构”的核心——敏感性包络——作者只提供了一个简单的、线性的、单调的映射类C。作者没有探索更复杂的映射类（如非线性、非单调），也没有讨论如何选择或证明C的合理性。因此，“推断架构”的通用性被一个非常具体的、可能过于简单的映射类所限制。

四、开放问题¶

放松先验独立性假设：Proposition 1依赖于p(λ, Θ, ψ) = p(λ)p(Θ, ψ)。如果这个假设不成立，后验p(λ|Y)会发生什么变化？能否量化先验相关性对后验的影响？这直接扎根于Proposition 1的证明和作者在文中的讨论（“如果p(λ, Θ, ψ)是相关的，观测到Y可以改变λ的边缘分布”）。
更一般的敏感性分析框架：本文的敏感性包络依赖于一个声明的、线性的、单调的映射类C。能否发展出一个更一般的、非参数或半参数的敏感性分析框架？例如，能否将λ视为一个无限维参数，并推导出行为概率的部分识别界（partial identification bounds），而不是依赖于一个特定的参数类？这扎根于作者将结果限制在“敏感性包络”而非“识别界”的声明。
与Proximal Causal Inference (PCI) 的桥梁：本文的似然排除结果与PCI中的负对照结构有深刻的相似性。能否将本文的设定形式化为一个PCI问题？如果可以，PCI中关于识别、效率理论和敏感性分析的工具能否直接应用于此，从而得到一个更一般、更强大的框架？这扎根于本文与PCI文献之间明显的、但未被作者探索的概念联系。
信号产生过程的建模：作者回避了对“为什么某些部长说话而另一些保持沉默”的建模。如果能够获得更丰富的数据（如多个决策、更长的面板），能否估计一个结构性的选择模型？这个模型能否与行为链接模型联合估计，从而在理论上绕过Proposition 1的不可识别性？这扎根于作者在文中承认的局限性：“结构性选择模型需要额外的假设或数据”。

Maintained by 陈星宇 · Homepage · Source on GitHub