Page 118 - 《国际安全研究》2021年第4期

武装冲突与妇女赋权

已经完成了问卷。  就是本文感兴趣的武装袭击对因变量的因果影响。Z是一组
1
控制变量，  是残差项。根据自然实验对于“干预”的分配机制接近随机的要
求，需要假定上述模型中，T与残差项 是相互独立的，即cov(T,  )=0，以确保对

于是否进入控制组和实验组不存在偏差，而是接近随机分配的。在现实中，这一
条件几乎难以完全满足，因此研究者将假定是“接近随机”，即将武装袭击的发
生视为有条件地独立（conditional independence）于受访者的一些特征——这些特

征可能会系统地影响估计偏差。然后，通过观察和调整随机分配与实验组对象特
①
征的不平衡（imbalances），以避免其对武装袭击效果的估计产生干扰。 通过平
衡性测试，我们可以检验“有条件性独立”这一假定是否满足；如果满足，那么
意味着武装袭击是外生于（exogenous）那些可能影响随机分配干预的因素的。

（三）平衡性检验
实证分析的第一部分是检查干预（武装袭击）随机分配的有效程度。为此，
我们比较了控制组与实验组成员的一些关键可观察特征的平均值是否存在显著的

不同。本文采取了两种平衡性检验方法。第一种T-检验（T-test）基本表明两组的
平均值是否相等：分配给实验组和对照组的受访者没有系统性差别。在确认了基
本方法论假设的可靠性之后，转向Logit模型检验。该过程背后的逻辑非常简单：
我们将因变量回归到自变量上，从而比较受访者进入实验组与控制组的概率是否

存在系统性的差别；若没有变量显著地影响进入实验组与控制组的概率，我们则
可以基本断定两组的平衡性条件满足。由于我们的分析单位是个体，而问卷则在
不同行政区域内进行了随机分配，因此我们采用稳健的聚类标准误差（robust

clustered standard errors），根据行政区域对标准差进行聚类。
②
建立在既有研究的分析策略基础上， 本文从非洲晴雨表第四轮和第五轮问

① Luke Keele and William Minozzi, “How Much Is Minnesota Like Wisconsin? Assumptions
and Counterfactuals in Causal Inference with Observational Data,” Political Analysis, Vol. 21, No. 2,
2013, pp. 193-216.
② 类似的研究可以参考 Allison Carnegie and Nikolay Marinov, “Foreign Aid, Human Rights,
and Democracy Promotion: Evidence from a Natural Experiment,” American Journal of Political
Science, Vol. 61, No. 3, 2017, pp. 671-683; Jasper Cooper, Sung Eun Kim and Johannes Urpelainen,
“The Broad Impact of a Narrow Conflict: How Natural Resource Windfalls Shape Policy and Politics,”
The Journal of Politics, Vol. 80, No. 2, 2018, pp. 630-646; Adrián Lucardi, “The Effect of District
Magnitude on Electoral Outcomes: Evidence from Two Natural Experiments in Argentina,” British
Journal of Political Science, Vol. 49, No. 2, 2019, pp. 557-577。
· 116 ·