伴侣偏好研究中的对撞偏倚：基于Eastwick等（2024）数据的方法学拓展

关于伴侣偏好匹配的观察性研究通常以（最受期望的）伴侣样本为条件。从因果推断的视角审视，这种设定构成了对撞变量（collider）上的条件化。本论文引入并应用有向无环图（DAGs）作为框架，在Eastwick等（2024，N = 10,358，43个国家）的大规模跨文化数据集中评估相应的对撞偏倚。在此基础上，本文开发了一个三层方法学框架，以区分三种不同的偏倚来源：由已测量的背景特征导致的混杂、35个属性之间的特质间混杂，以及由抽样程序本身产生的残余对撞限制偏倚。研究复现了Eastwick等（2024）的特质逐项（trait-by-trait）水平指标，随后进行了分层多变量扩展，在四个嵌套模型中同时纳入全部35个理想偏好和伴侣属性。结果表明，人口学和个体差异协变量贡献的总方差较低（H1）；相对于特质逐项方法，多变量调整大幅衰减了主效应和偏好匹配交互效应（H2）；即使在完全调整后，特异性匹配效应仍接近于零（H3）。讨论将这些发现置于研究设计的更广泛背景中。总体而言，这一方法学评估提出了一个问题：在本文研究设计的条件下，原始的偏好匹配假设（H0）是否能够得到充分检验。结论指出，对未加选择的同伴目标进行分析，是将残余对撞偏倚与特异性匹配的真正缺失区分开来的最直接实证路径。

中文由 AI 翻译，仅供参考，以原文为准。