姓氏推断种族？已婚女性被误分类的政治学警报

引言：一个被忽视的偏差来源

在政治学与社会学研究中，利用选民档案估计种族与性别政治行为已成为常见做法。种族通常通过姓氏与地理位置进行推断，但这种方法的前提是姓氏能够指示群体归属。然而，当姓氏遵循婚姻规范时，这一假设便不再成立。研究者发现，对于婚后改随夫姓的女性——尤其是跨种族婚姻中的女性——种族推断的准确性显著下降，进而影响下游政治行为分析的可靠性。

问题机制：婚姻姓氏如何引入偏差

姓氏推断种族的核心逻辑是：特定姓氏在特定族群中更常见。但女性婚后采用丈夫姓氏后，其姓氏不再反映自身的种族背景。如果丈夫来自不同种族，妻子的姓氏便指向丈夫的族群，而非她本人的。这导致种族推断模型系统性地将这部分女性错误分类。更关键的是，这种误分类并非随机：跨种族婚姻本身与政治倾向相关（例如党派立场），因此偏差会沿着政治维度聚集，扭曲下游估计。

基于姓氏的种族推断（surname-based race imputation） 是政治学与人口学中一种常见的代理变量方法。其基本假设是：某些姓氏在特定族群中具有较高的出现频率，因此可以通过姓氏的族群分布先验（例如西班牙裔姓氏列表、亚裔姓氏数据库）来推断个体所属群体。常用的实现方式包括贝叶斯概率匹配和基于地理人口统计的加权模型。然而，这种方法本质上是概率性的，对姓氏与族群之间关联强度的依赖很高。当姓氏因婚姻、移民改名或拼写变化而偏离其原始族群信号时，推断误差便会系统性上升。理解这一技术背景，有助于把握为何婚姻姓氏规范会成为推断偏差的结构性来源。

实证证据：来自六个美国州的发现

利用六个记录自我报告种族的美国州数据，研究者验证了上述偏差的存在。结果显示，种族推断对亚裔和拉美裔女性的准确性更低，尤其是那些与异族伴侣共享姓氏的女性。这些女性在政治上与同种族其他女性存在差异，使得误分类直接干扰了政治行为推断。例如，在亚裔选民中，党派立场的性别差距因误分类而几乎翻倍。研究者推导出一个表达式，表明当群体规模较小时，偏差最大——这解释了为何少数族裔女性受影响更严重。

选民档案（voter file） 是美国政治学研究的重要数据来源，通常包含选民姓名、住址、登记党派、投票参与记录等字段，部分州还记录自我报告的种族信息。研究者常用选民档案估计不同群体的投票率、党派倾向和性别差距。但由于种族字段并非所有州都提供，学者常借助姓氏与地址进行推断。六个州的数据之所以关键，在于它们同时包含自我报告种族和姓氏信息，从而允许研究者将推断结果与真实值对比，量化误分类率。这种“有真值”的验证设计，是评估推断方法偏差的黄金标准，也解释了为何该研究能够精确识别婚姻姓氏带来的系统性误差。

修正方案：使用娘家姓或省略夫姓

在北卡罗来纳州，使用娘家姓而非婚后姓氏进行推断，使跨种族婚姻女性的准确性提升高达四倍。更广泛地，恢复娘家姓或直接省略已婚姓氏，可以消除大部分偏差。在一项关于投票率性别差距的全国性重复研究中，修正后亚裔选民的性别差距扩大了三倍以上。这表明，简单的数据处理调整就能显著改善推断质量。

娘家姓（maiden name） 指女性婚前的姓氏。在美国选民档案中，部分州会保留“曾用名”或“别名”字段，记录登记时的娘家姓或历史姓名。利用娘家姓进行种族推断，可以绕开婚后改姓造成的信号污染。然而，并非所有州都系统保留这一信息，且数据质量参差不齐。因此，研究者提出的“省略夫姓”策略是一种退而求其次的方案：当无法获取娘家姓时，将已知因婚姻而改变的姓氏从推断模型中排除，避免用丈夫的族群信号错误标注妻子。这两种策略的有效性取决于数据字段的完整性和婚姻姓氏规范的普遍程度，也提示数据收集环节对姓名历史记录的重要性。

地理维度的错误：黎巴嫩案例

偏差不仅通过姓氏进入，也可能通过地理位置。在黎巴嫩，妻子登记在丈夫所在的 locality，因此地理信息同样反映了丈夫而非妻子自身的背景。这导致种族推断的错误通过地理编码进入，进一步说明婚姻规范对推断方法的广泛影响。

地理编码（geocoding） 是将地址转换为经纬度或行政单元的过程，常用于将选民匹配到选区、社区或人口普查区。在种族推断中，地理位置被视为族群聚居模式的代理信号：居住在高比例亚裔社区的个体更可能被推断为亚裔。然而，当婚姻规范要求妻子登记在丈夫所在地时，女性的地理信号便指向丈夫的居住地而非其自身的社会网络。这与姓氏偏差的机制同构：性别化的登记规范使推断特征偏离个体真实属性。黎巴嫩案例表明，即使姓氏信息可靠，地理维度的婚姻规范仍可独立引入误分类，说明推断偏差可能来自多个数据通道的叠加。

结论与启示

这项研究揭示了基于姓氏的种族推断中一个系统性偏差：已婚女性，尤其是跨种族婚姻中的女性，被错误分类的风险更高。这种偏差并非随机，而是与政治行为相关，因此会扭曲下游推断结果。修正方法——使用娘家姓或省略夫姓——简单有效，但需要数据中保留娘家姓信息。对于依赖选民档案的研究者，这一发现提醒我们：任何推断方法都需审视其隐含假设，尤其是当这些假设与社会规范（如婚姻姓氏）紧密绑定时。

在多源交叉验证的视角下，该研究结合了六个州的数据与全国性重复研究，并延伸到黎巴嫩的案例，形成了对偏差机制的完整论证。尽管不同来源均指向同一结论，但修正方案的效果在不同数据集中存在差异（如北卡罗来纳州的四倍提升与全国研究的三倍差距扩大），这提示实际应用中需根据数据特点调整策略。