Page 121 - 《国际安全研究》2021年第4期

2021 年第 4 期

入实验组和控制组。 因此，利用 Logit 模型，根据地区/省份来将回归系数的标
①
准差聚类，以处理区域内的受访者可能存在的不相互独立性问题。在 Logit 模型
中，我们将武装袭击作为因变量，其余变量作为自变量。图 1（右）显示尼日利

亚和马里共和国样本的平衡性测验。统计结果表明，在 T-检验中发现的存在均值
显著不同的大部分变量，都不再继续显著地影响是否进入实验组。图 2 中，只有
尼日利亚样本中的教育水平在 95%水平上存在显著，而其余变量在 95%的置信水

平上都不显著。平衡性检查总体上告诉我们，绝大多数的变量都不显著影响是否
接近随机分配这一原则，并提醒我们对于尼日利亚样本中的教育水平在回归分析
时可能需要注意并调整潜在的影响，即是否存在“条件效应”（conditioning
effect），因此在随后的模型估计中需要加以控制。

本文用来测量微观层次上社会民众对妇女赋权支持的变量，来自于问卷中关
于政府处理妇女赋权议题的赞同程度。具体而言，在问卷中受访者被问到，“你
认为现任政府在处理妇女赋权议题上的表现如何”。本文将答案进行处理，包括

四个层次“非常差”“比较差”“比较好”以及“非常好”。因此，该因变量是
一个有序分类变量（ordinal categorical variable），测量了受访者对现任政府妇女
②
赋权政策的支持程度。
本文的核心自变量就是是否暴露于武装袭击的冲击（0 或 1）。鉴于因变量

Y 的实际取值为有序分类变量，因此本文的主要统计模型为定序 Logit 模型
（ordered Logit model）。定序 Logit 模型是对非线性模型 Logit 的延伸，可以估
计自变量对于因变量处于不同层次的概率，特别适合本文所关注的有序分类变

量。有序 Logit 回归模型基于 k-1（k 为变量的总类别数量，在本文 k=4）系
数，对 k 个不同结果的相对可能性进行建模。模型中的 k-1 系数捕获了落入扩
展的有序类别集。例如，在四种可能的结果类别下，模型的三个截距（每个截
距将至少与前一个截距一样高）相对于基准（baseline）观测几率的对数（log

odds）。为了厘清“实验干预”效果，本文也控制了上文进行平衡性检查的几
个其他变量。

① Gregory Robinson, John E. McNulty and Jonathan S. Krasno, “Observing the Counterfactual?
The Search for Political Experiments in Nature,” Political Analysis, Vol. 17, No. 4, 2009, pp. 341-357.
② 附图 2 展示了在问卷期间内，受访者每天选择答案的频次分布，其中垂直线分别表示武
装袭击的日期。总体上，袭击之前和袭击之后的样本数量也较为平衡。
· 119 ·