#政經八百政治標記
〔#禍不單行？#疫情與政治極化〕
上周，政大選舉研究中心公布了 COVID-19 網路調查資料報告，結果顯示在疫情嚴峻的當下，似乎更突顯了極化政治下的防疫認知。
以當前討論度相當高的疫苗議題為例，泛藍和泛綠選民呈現相當兩極的調查結果。
今天政經八百要來跟壯士們聊聊的就是「極化的防疫認知」。
▌極化的調查結果
當問到「滿不滿意政府採購疫苗的努力」時，僅有 1.9% 的泛藍民眾表示滿意，不滿意程度高達98.2%；相較之下，泛綠有六成四民眾表示滿意。
而問到「願不願意打中國代理的歐美疫苗」時，泛藍民眾近九成表示願意，而泛綠民眾則有七成七不願意。
進一步比較受訪者在各項議題的立場，也能看出相較於獨立選民，具有政黨傾向的受訪者們呈現高度的極化。
以「相信陳時中」以及「地方可買疫苗」兩題為例，獨立選民相信和支持的比例分別是 58.5% 及 51.8%，相對趨中；
但泛藍民眾只有一成五信任陳時中、近九成支持地方自購疫苗；
反之，超過九成泛綠民眾相信陳時中，但不到四分之一的人支持地方自購疫苗，立場呈現相當懸殊。（資料來源：政大選研中心）
▌全球化的極化現象
事實上，根據皮尤研究中心年初針對美英法德四國的調查，對於「是否滿意政府的防疫作為」，僅有德國不分左右派民眾對政府防疫有相似的看法，差距僅約 11%；
反觀極化最嚴重的美國，左右派民眾認知差距達到驚人的 54%、英國也有四成的鴻溝在。
▌疫情與極化的美國
以近年政治極化程度相當嚴重的美國為例，去年我們也寫過美選專文 #美國的政治極化 來探討這個現象的前因後果。
過去這一年來，美國的政治極化不僅因為大選而加溫，也被疫情所加劇，甚至反映在民眾的防疫認知和政府的防疫政策上，許多學者也對此進行大量的研究和調查。
皮尤研究中心去年三月的調查顯示，有 83% 的共和黨人滿意川普總統對 COVID-19 的因應，但同時僅有 18% 的民主黨人持同樣的觀點。
中研院歐美所博士後黃芳誼分析同期的資料後發現，美國民眾的個人防疫行為及政策偏好深受政黨極化影響。
共和黨民眾基於對川普的信任，因此較不願採取居家避疫，也較不支持政府嚴格的封鎖措施。
南加大資工系團隊利用 Twitter 標籤的數據分析，觀察到民主黨佔優勢的藍州用戶推文對於聯邦政府具有壓倒性的批評；而傾向共和黨的紅州用戶則在推文中使用更多支持川普的標籤。
▌極化加劇的原因
加劇這樣極化現象的原因是什麼？黃芳誼的研究進一步提出解釋的原因。
她認為政黨認同不僅會影響民眾的個人防疫行為及政策偏好，也會進一步引導民眾選擇黨派化的資訊來源。
而黨派化的資訊來源也會發揮中介效果，同樣地影響民眾的個人防疫行為及政策偏好。
事實上在 2009 年 H1N1 流行期間，就有研究發現共和黨民眾在選擇黨派化的資訊來源後，更容易認為主流媒體誇大疫情，也就較不會去接種疫苗。
到了 2020 年 COVID-19 流行之際，選擇福斯新聞作為主要資訊來源的共和黨民眾們，依舊認為疫情被誇大了，也因而缺乏對病毒的正確知識。
密西根大學和威斯康辛大學的共同研究也得出同樣結論，媒體對於疫情的報導呈現高度政治化和兩極分化，並間接導致了美國的政治極化。
▌極化對防疫政策的影響
這樣的極化造成更迫切的影響，便是在防疫政策上。
儘管配戴口罩是爭議最少的一項防疫措施，美國政治的極化依舊嚴重阻礙了大眾配合的程度。
數據顯示，共和黨人配合戴口罩的比例為 56%，遠低於民主黨的 74%。
芝加哥大學學者 Maria Milosh 透過多項研究設計發現，即使在強制戴口罩的禁令下，相較於民主黨人，川普支持者較不願意配合。
但當川普首次在公共場合戴口罩後，其支持者對口罩持積極態度的推文數跟著激增，顯見民眾的防疫判斷被高度政治化了。
除了民眾配合防疫措施的程度有異，州政府的防疫態度也會因政黨而異。
土耳其柯克大學研究發現，民主黨執政州多遵循高於全國平均的嚴格政策來控制疫情，反觀共和黨州普遍遵循不太嚴格的政策。
▌極化對接種疫苗的影響
到了今年，更具體的影響則反映在接種疫苗的態度上。（詳見圖8，資料來源：CIVIQS 2021.6）
同樣的現象也發生在臺灣，近期臺大政治系研究團隊調查發現，許多民眾將政黨傾向投射於各自政黨擁護的疫苗廠牌，導致民眾對疫苗廠牌的喜好呈現「藍-BNT／綠-莫德納」的分野，這對推廣疫苗普及不是件好事。
▌結語
綜合上述，可以發現政治極化對於防疫可說是有百害而無一利，不僅會影響民眾配合防疫政策的意願，甚至會形成推廣疫苗的阻礙。
那有解方可以減少政治極化嗎？
德國杜伊斯堡-埃森大學的研究以德國為例，認為如果跨黨派間在面對疫情時，能夠達成共識，或許能減少支持者的情感對立，提供一個減少政治極化的起點。
不過這說起簡單，要實踐還是相當有難度的，尤其在像我們一樣社會本就呈現高度分歧的國家，恐怕還是難以達成。
只能呼籲大家，盡可能理性判斷資訊，並落實防疫指示，相信我們能夠戰勝疫情。
中介效果 在 Re: [問題] 檢驗中介效果時的困惑- 看板Statistics 的推薦與評價
基本上M1到M3都成立的話，中介就成立了。M4和M1的比較很難解釋中介。
如我之前所述，M4和M1比較時係數的不同可能有好幾個不同的解釋原因，
所以無法用係數比較來解釋有否中介。
不過你這個case比較有趣的一點是M1顯著負向預測、M2和M3顯著正向預測。
所以基本上你的中介存在inconsistent mediation。
也就是「情緒勞務(X)」對「心理彈性(Y)」是負向的影響；
但是「情緒勞務(X)」透過「認知再評估(M)」對「心理彈性(Y)」有正向的影響。
這可能也多少說明為什麼係數會從-.238變成-.276。
M4將「情緒勞務(X)」透過「認知再評估(M)」對「心理彈性(Y)」的正向影響捉出來，
因此「情緒勞務(X)」直接對「心理彈性(Y)」的效果就變大了。
換言之，M1中的係數較小是因為同時包含了中介產生的正向效果。
再補充一下，有人支持inconsistent mediation發生的時候，M1就算不成立也可以支持
中介的成立。
※ 引述《tacky (薯條三兄弟真的好好吃)》之銘言：
: 回應一下~M1到M3我都跑過了
: M1顯著負向預測、M2顯著正向預測、M3顯著正向預測
: 到了M4的條件就出現Beta值要解讀是否預測情形有削弱或不顯著，
: 所以才會去看-.238和-.276兩個值到底要算削弱還是增強？
: 另外Sobel test是用兩個非標準化係數和其標準誤a,b,SEa,SEb去跑出來的Z值，
: SEM或路徑分析對我來說太艱深，老闆體恤我所以叫我用這個方法跑
: 但這個傳統的中介方法就讓我轉不出來了，呵呵
: 根據以上我M1到M4的結果，究竟能否判讀具有中介效果？
: 請各位統計神人幫忙了，謝謝先。
: ※ 引述《sk2allwin (allwin)》之銘言：
: : 如果你引用Barron & Kenny的檢驗的話，應該不只看兩個model吧。
: : 會有四個model：
: : M1、看「情緒勞務(X)」是否顯著預測「心理彈性(Y)」
: : M2、看「情緒勞務(X)」是否顯著預測「認知再評估(M)」
: : M3、看「認知再評估(M)」是否顯著預測「心理彈性(Y)」
: : M4、看「情緒勞務(X)」和「認知再評估(M)」是否同時顯著預測「心理彈性(Y)」
: : 如果M1到M3都成立，那就代表有中介了。M4只是多看中介效果是完全中介或是部分中介。
: : 不過現在完全中介和部分中介的分法已經落伍了(請記得Barron & Kenny是1986年提出的)
: : 另外有人會質疑說只單純的看模型比較，沒有統計考驗不準，所以可以用Sobel test
: : 進一步看統計考驗。
: : (BTW，我看不出你是用什麼係數跑Sobel test，所以我不知道你的Sobel test
: : 有沒有檢驗到中介。保險起見，我提一下Sobel test要用的係數是M2和M3的係數來檢定)
: : 不過Sobel test也是老方法了(1982年)，比較當代的方式是bootstrap或是Monte Carlo。
: : 回到你的描述，你只看了M1和M4，所以不能說你用了Barron & Kenny。
: : 因此，你的結果無法描述中介。
: : 關於係數的變化的可能性我目前想到的原因有(1)誤差造成；(2)交互作用。
※ 引述《tacky (薯條三兄弟真的好好吃)》之銘言：
: 回應一下~M1到M3我都跑過了
: M1顯著負向預測、M2顯著正向預測、M3顯著正向預測
: 到了M4的條件就出現Beta值要解讀是否預測情形有削弱或不顯著，
: 所以才會去看-.238和-.276兩個值到底要算削弱還是增強？
: 另外Sobel test是用兩個非標準化係數和其標準誤a,b,SEa,SEb去跑出來的Z值，
: SEM或路徑分析對我來說太艱深，老闆體恤我所以叫我用這個方法跑
: 但這個傳統的中介方法就讓我轉不出來了，呵呵
: 根據以上我M1到M4的結果，究竟能否判讀具有中介效果？
: 請各位統計神人幫忙了，謝謝先。
: ※ 引述《sk2allwin (allwin)》之銘言：
: : 如果你引用Barron & Kenny的檢驗的話，應該不只看兩個model吧。
: : 會有四個model：
: : M1、看「情緒勞務(X)」是否顯著預測「心理彈性(Y)」
: : M2、看「情緒勞務(X)」是否顯著預測「認知再評估(M)」
: : M3、看「認知再評估(M)」是否顯著預測「心理彈性(Y)」
: : M4、看「情緒勞務(X)」和「認知再評估(M)」是否同時顯著預測「心理彈性(Y)」
: : 如果M1到M3都成立，那就代表有中介了。M4只是多看中介效果是完全中介或是部分中介。
: : 不過現在完全中介和部分中介的分法已經落伍了(請記得Barron & Kenny是1986年提出的)
: : 另外有人會質疑說只單純的看模型比較，沒有統計考驗不準，所以可以用Sobel test
: : 進一步看統計考驗。
: : (BTW，我看不出你是用什麼係數跑Sobel test，所以我不知道你的Sobel test
: : 有沒有檢驗到中介。保險起見，我提一下Sobel test要用的係數是M2和M3的係數來檢定)
: : 不過Sobel test也是老方法了(1982年)，比較當代的方式是bootstrap或是Monte Carlo。
: : 回到你的描述，你只看了M1和M4，所以不能說你用了Barron & Kenny。
: : 因此，你的結果無法描述中介。
: : 關於係數的變化的可能性我目前想到的原因有(1)誤差造成；(2)交互作用。
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 223.197.168.23
※ 文章網址: https://www.ptt.cc/bbs/Statistics/M.1461467905.A.FCC.html
... <看更多>