Appearance
Explaining differences in voting patterns across voting domains using hierarchical bayesian models
Summary
Problem: 传统空间投票模型假设立法者的理想点在各类投票中保持静态，但实际中立法者在程序性投票和最终表决投票等不同领域可能表现出不同的偏好。现有方法（如独立IRT模型、排名比较、同时DW-NOMINATE、桥接立法者假设）在比较跨领域理想点时存在尺度不可比、检验复杂或桥接选择主观等问题。本文旨在回答：“什么因素解释了立法者跨投票领域投票的（不）一致性？” Approach: 本文扩展了贝叶斯空间投票模型，引入层次贝叶斯方法，允许每个立法者在两个投票领域拥有（原则上）不同的理想点，并通过潜变量ζi指示立法者是否为“桥接者”（即在两个领域具有相同理想点）。模型同时估计理想点和桥接概率，并通过逻辑回归将协变量与桥接概率联系起来，使用贝叶斯变量选择（g-prior和Beta-Binomial先验）识别重要解释变量。 Finding: 应用该模型于美国众议院第93至113届国会（1973–2014）的程序性投票和最终表决投票数据，发现少数党立法者和代表温和选区的立法者更可能在程序性投票与最终表决投票之间表现出不同的理想点。 Significance: 该研究推进了理想点估计方法论，通过同时进行理想点标定和变异解释，提供了对立法投票行为更细致的理解，并避免了传统两步法中的偏差和区间覆盖不足问题。方法论可推广至其他立法体系。
Theoretical Framework
- Theoretical tradition: 空间投票理论（spatial voting theory）与随机效用框架，结合贝叶斯统计推断传统。
- Prior theories built upon: 空间投票模型（Davis, Hinich, and Ordeshook 1970; Enelow and Hinich 1984）；理想点估计的IRT模型（Jackman 2001; Clinton, Jackman, and Rivers 2004）；桥接立法者方法（Shor and McCarty 2011; Shor et al. 2010; Treier 2011）；Lofand, Rodriguez, and Moser (2017) 和 Moser et al. (2021) 的贝叶斯桥接模型；政党纪律理论（Cox and McCubbins 2005）；选区责任理论（Mayhew 1974）。
- Causal mechanism: 立法者在程序性投票与最终表决投票之间的行为差异由以下机制驱动：程序性投票受政党领导层战略控制，更易受政党纪律约束；最终表决投票则更多反映选区偏好或个人政策立场。少数党成员和温和选区代表面临更强的张力，需要在政党忠诚与选区利益之间权衡，因此更可能在不同领域表现出不同偏好。
- Key assumptions: 假设存在一个潜在政策空间（本文取d=1），立法者的理想点在该空间中定义；程序性投票和最终表决投票的潜在尺度可以通过桥接立法者连接；协变量通过逻辑回归影响桥接概率；使用零膨胀高斯先验处理一致投票；采用参数扩展方法确保可识别性。
- Theoretical move: 本文扩展了现有理论——将Lofand et al. (2017) 和 Moser et al. (2021) 的交换性先验替换为包含协变量的层次先验，从而从“识别桥接者”推进到“解释桥接者身份”，同时应用空间投票理论于程序性vs最终表决这一具体投票领域划分。
- Scope conditions: 方法论适用于任何具有多个投票领域的立法机构，包括不同政党结构和选举规则的体系（如英国、加拿大、德国、荷兰等议会制国家）。实证应用限于美国众议院1973–2014年，结论的推广需考虑具体制度背景。
Research Design
本文为计算/方法论研究，采用观察性数据（美国国会唱名投票记录）进行实证应用。分析单元为立法者-投票（vote-level）和立法者（legislator-level）。关键自变量包括：少数党身份（minority party status）、选区温和度（constituency moderation，通过选区特征操作化）、以及其他立法者层面和选区层面协变量。因变量为桥接指示符ζi（立法者是否在程序性和最终表决投票中具有相同理想点），通过层次贝叶斯模型估计。理想点βi,0和βi,1为潜变量，通过投票数据推断。
Data & Sample
数据来源为美国众议院第93至113届国会（1973–2014年，共42年）的程序性投票和最终表决投票记录。样本包含每届国会的全体众议员（约435人/届），投票数量因届而异。数据来自Voteview等公开唱名投票数据库。协变量包括立法者层面（如政党身份、资历）和选区层面（如选区党派倾向、温和度指标）变量。具体N值、选区变量操作化细节和缺失数据处理在提供的文本中未完全说明，标记为N/A。
Analytical Strategy
采用层次贝叶斯空间投票模型，具体包括：
- 投票模型：逻辑IRT模型，允许每个立法者在两个领域有不同理想点（公式1）。
- 桥接先验：对(βi,0, βi,1)使用混合先验，ζi=1时强制相等，ζi=0时独立（公式2）。
- 桥接概率模型：逻辑回归（公式3），协变量X为居中的设计矩阵。
- 变量选择：g-prior（g=I，单位信息先验）和Beta-Binomial先验（公式4-5），通过后验包含概率（PIP）评估变量重要性。
- 计算：MCMC算法，使用Pòlya-Gamma数据增强（Polson et al. 2013），大部分全条件分布可直接Gibbs采样；η0使用Metropolis-Hastings，ξ使用随机游走MH。
- 可识别性：参数扩展方法，施加三组约束（至少d+1个桥接者、尺度方向一致、锚定立法者固定值）。
- 稳健性：未明确提及传统意义上的稳健性检验，但通过贝叶斯框架自动处理多重比较问题，并使用零膨胀先验处理一致投票。
Results & Findings
- 少数党身份与桥接概率：少数党立法者更可能在不同投票领域表现出不同理想点（即桥接概率更低）。这意味着少数党成员在程序性投票和最终表决投票之间更倾向于改变行为，可能因为程序性投票是多数党控制议程的工具，少数党成员在程序性投票中面临更大的策略压力，而在最终表决中则更自由地表达政策立场。这一发现支持了政党纪律理论（Cox and McCubbins 2005）和少数党叛逃研究（Kirkland and Slapin 2017）。
- 选区温和度与桥接概率：代表温和选区的立法者更可能在不同领域表现出不同理想点。温和选区代表面临更大的张力，需要在政党忠诚（程序性投票）和选区偏好（最终表决）之间权衡，因此更可能表现出不一致的投票行为。这与Mayhew (1974) 的选举动机理论一致。
- 桥接频率（BF）：模型估计的平均桥接概率（BF）表明，绝大多数立法者在两个领域具有一致的理想点（后验分布将质量放在大量桥接者上），但存在少数系统性偏离者。图1显示联合模型比独立模型更清晰地识别出跨领域一致的立法者。
- 与理论预期的关系：结果支持了Jessee and Theriault (2014) 关于程序性投票中政党极化更高的发现，并进一步解释了哪些立法者驱动了这一模式。
- 零结果/意外发现：提供的文本未明确报告具体变量的零结果或意外发现，标记为N/A。
Limitations
作者在文中承认的局限性包括：
- 模型假设潜在政策空间维度d已知（本文取d=1），高维情况下的计算和可识别性更具挑战性。
- 桥接概率的估计依赖于模型先验选择，虽然贝叶斯框架缓解了多重比较问题，但先验敏感性未充分讨论。
- 实证应用限于美国众议院，虽然方法论可推广，但具体发现（如少数党和温和选区效应）可能受美国制度特征影响。
- 分离问题（separation）在桥接数量很高的众议院中可能影响逻辑回归估计，虽然采用了逻辑先验缓解，但无法完全消除。
- 协变量的选择受数据可得性限制，可能遗漏其他重要解释因素。
Key Contributions
- 开发了一个完全贝叶斯层次模型，同时进行理想点标定和跨领域差异解释，避免了传统两步法的偏差和区间覆盖不足问题。
- 将桥接立法者识别从交换性先验推进到包含协变量的层次先验，允许正式检验“协变量X是否影响跨领域投票差异”的假设。
- 通过Pòlya-Gamma数据增强实现了高效MCMC计算，大部分全条件分布可直接采样。
- 提供了美国众议院1973–2014年程序性投票与最终表决投票差异的系统性实证证据，识别出少数党和温和选区代表为关键驱动群体。
- 方法论可推广至其他立法体系、其他投票领域划分（如议题领域、维度）以及其他政治行为研究。
Key Claims
"This article extends the Bayesian spatial voting model to incorporate hierarchical Bayesian methods, allowing for the identification of covariates that explain differences in legislators' ideal points across voting domains." (Abstract)
"Our findings indicate that legislators in the minority party and those representing moderate constituencies are more likely to exhibit different ideal points between procedural and final passage votes." (Abstract)
"This research advances the methodology of ideal point estimation by simultaneously scaling ideal points and explaining variation in these points, providing a more nuanced understanding of legislative voting behavior." (Abstract)
"The use of a joint model has several advantages over a two-step procedure, in which a point estimate of the bridge identities is first obtained from the voting data and then a regression model is fitted using these point estimates as the response variables." (Section 1, Introduction)
"Correctly specified Bayesian hierarchical models avoid both of these issues (Gelman et al. 2013)." (Section 1, Introduction, referring to bias and undercoverage in two-step procedures)