Appearance
Moderates
Summary
Problem: 现有研究多聚焦于极端党派选民，对温和派关注不足。传统方法将给出混合自由与保守回答的受访者一律归类为“温和派”，但无法区分三种截然不同的情况：真正持中间立场者、对政治或调查不专注者、以及观点无法被单一自由-保守维度概括者。这种混淆阻碍了对美国政治光谱中部的准确理解。 Approach: 作者开发了一个混合项目反应理论（IRT）模型，将每个受访者的回答模式分类为三种类型之一：Downsians（观点可由单一意识形态维度良好概括，包括真正的温和派）、Conversians（持真实但非维度化的观点）、以及inattentives（回答近乎随机）。模型同时估计每个受访者的意识形态得分和类型概率。 Finding: 大多数美国人的政策观点可由单一意识形态维度较好描述，但相当一部分人并非如此。真正温和派（Downsian moderates）在选举中比自由派和保守派更响应候选人意识形态、在职优势和候选人经验，其投票选择对候选人意识形态的敏感度是后者的四到五倍。 Significance: 该研究解决了“候选人温和化有选举收益”与“投票高度党派化”之间的悖论，表明温和派是选举变化和问责的核心群体，呼吁学界重新关注美国政治光谱的中部。
Theoretical Framework
- Theoretical tradition: 空间模型（spatial model）传统，结合政治行为与公共舆论研究中的“非意识形态化”辩论。
- Prior theories built upon: Downs (1957) 的空间投票理论；Converse (1964) 关于信念体系约束性的论点；Clinton, Jackman, and Rivers (2004) 的IRT模型；Bafumi and Herron (2010) 与 Tausanovitch and Warshaw (2013) 的公众意识形态测量；Broockman (2016) 关于非维度化观点的研究；Zaller and Feldman (1992) 关于调查回答不专注性的研究。
- Causal mechanism: 不同类型的受访者产生不同的回答模式——Downsians的回答遵循单一意识形态维度的Guttman式排序；Conversians的回答在问题间独立但非随机；inattentives的回答近似随机（概率0.5）。这些模式差异使模型能够通过回答模式识别类型。
- Key assumptions: 假设存在三种理想类型（stylized categories）；假设Downsians的回答在给定意识形态位置后条件独立；假设inattentives对每个问题回答“支持”的概率为0.5；假设Conversians的回答在问题间独立且概率λj不为0.5；模型对各类别在总体中的比例不做先验假设。
- Theoretical move: 本文扩展了现有IRT框架，将其嵌入混合模型以区分三种回答生成机制，挑战了将温和派简单视为“不成熟”或“无意识形态”的既有观点，并应用该分类方法到选举行为分析中。
- Scope conditions: 方法需要每位受访者至少回答20个政策问题，因此不适用于问题数量较少的调查；分析基于美国CCES数据，结论主要适用于美国政治语境；模型中的类型是“风格化”的，现实中个体可能不完全符合任何单一类型。
Research Design
本文采用计算/统计建模方法，属于观察性研究设计。分析单元为个体受访者。关键自变量为受访者的类型分类（Downsian、Conversian、inattentive）及其意识形态得分（对Downsians而言）；因变量为投票选择（在选举分析中）。类型分类通过混合IRT模型从政策回答模式中估计得出，意识形态得分通过后验分布计算。选举分析中，因变量为受访者在众议院选举中的投票选择，自变量包括候选人意识形态、在职状态、候选人经验等。
Data & Sample
- 主要数据：2012–2018年合作国会选举研究（CCES）共同内容调查，包含超过280,000名受访者。
- 辅助数据：2010年CCES模块（Stanford Team 3），包含133个政策问题，约1,300名受访者。
- 国家/地区：美国。
- 数据收集方式：既有调查数据（CCES）。
- 时间范围：2010–2018年。
- 数据来源：CCES共同内容调查及特定模块。
- 样本特征：仅使用二元政策问题；多选项问题被转换为二元指标。
Analytical Strategy
- 核心模型：有限混合模型，将标准两参数IRT模型（Clinton, Jackman, and Rivers 2004）嵌入其中，通过期望最大化（EM）算法估计参数。
- 对每位受访者，使用经验贝叶斯方法计算其属于三种类型的后验概率。
- 选举分析：使用分类结果作为自变量，估计投票选择对候选人特征（意识形态、在职状态、经验）的响应性。
- 稳健性检验：蒙特卡洛模拟和样本外测试验证方法可靠性；使用未纳入估计的问题进行效度检验；对问题对进行最小工资分析；附录中报告二维模型估计。
- 控制变量：选举分析中控制候选人意识形态、在职状态、候选人经验等特征。
Results & Findings
- 主要发现一：大多数美国人的政策观点可由单一意识形态维度较好描述，但相当一部分人并非如此。许多给出混合自由与保守回答的人并非随机或无意义，而是持有位于同一维度中部的真实观点（Downsian moderates）。少数人（但重要）的观点无法被该维度概括（Conversians），更少人近乎随机回答（inattentives）。
- 主要发现二：温和派（Downsian moderates）在选举中比自由派和保守派更响应候选人特征。在众议院选举中，温和派的投票选择对候选人意识形态的敏感度是自由派和保守派的四到五倍，对在职状态的敏感度是后者的两到三倍，对候选人经验的敏感度也是后者的两到三倍。
- 发现与假设的关系：这些发现支持了作者的预期——真正温和派是选举变化和问责的关键群体，而非政治冷漠或无知者。
- 意外发现：Conversians（非维度化观点者）在选举中也可能具有重要影响，但论文主要强调温和派的作用。
- 效度检验结果：模型分类预测了未纳入估计的问题上的极端回答概率；不同类别在政策问题上的支持率模式符合理论预期。
Limitations
- 方法需要至少20个政策问题，无法应用于许多现有调查（如Broockman 2016使用的数据）。
- 模型中的三种类型是“风格化”的，现实中个体可能不完全符合任何单一类型。
- 二元化处理多选项问题可能丢失信息，且截止点的选择具有一定主观性。
- 分析主要基于CCES数据，样本可能不完全代表美国总体人口。
- 选举分析仅涵盖众议院选举，未涉及参议院、总统或州级选举。
- 模型假设Conversians的回答在问题间独立，可能过于简化其真实偏好结构。
Key Contributions
- 开发了一种新的混合IRT模型，能够将“温和派”分解为三种理论上有意义的类型。
- 首次系统估计了美国公众中三种类型的比例分布，表明真正温和派是重要且可识别的群体。
- 证明了温和派在选举选择中比极端党派选民更响应候选人特征，解决了“温和化有收益”与“投票党派化”之间的悖论。
- 为理解选举问责和选举变化提供了新的视角，强调非意识形态化选民的核心作用。
- 提供了可复用的测量工具，未来研究可应用于其他调查数据。
Key Claims
"We find that a single ideological dimension accurately describes most, but not all, Americans’ policy views." (Abstract) "We estimate that their vote choices in U.S. House elections are four to five times more responsive to the candidates’ ideologies than are the choices of liberals and conservatives, two to three times more responsive to incumbency, and two to three times more responsive to candidate experience." (Abstract) "Our results clarify the importance of nonideologues in American elections." (Introduction) "As the old saying goes, ideologues may vote for a 'blue dog' as long as that dog shares their views. But, the moderates in our analyses seem to care that the candidate is, in fact, a dog." (Introduction) "These results suggest a need for renewed attention to the middle of the American political spectrum." (Abstract)