Revisiting Group Differences in High‐Dimensional Choices: Method and Application to Congressional Speech
重新考察高维选择中的群体差异：方法及国会演讲应用AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要核心是文本语言模型与党派性测量，未明确建立所列领域中的离散选择或其他专门计量框架。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
重新考察高维选择中的群体差异：方法及国会演讲应用
- 研究问题
- 美国国会演讲的党派性如何随时间变化，无监督语言模型能否复现已有监督模型的结论，并揭示议题和短语层面的差异？
- 方法与思路
- 作者结合主题模型与理想点模型构建无监督语言模型，分析 1981—2017 年参议院演讲，并与既有研究的时间模式比较。
- 材料陈述的贡献
- 摘要称该模型复现党派性的特定演变结果，并进一步估计议题内容随时间的变化、识别各议题层面的关键党派短语。
- 阅读关注点
- 核对党派性和理想点的定义、文本预处理及跨期可比性，并区分总体党派性变化、议题组成变化与议题内措辞差异。
- 阅读边界
- 仅据所给 Crossref 摘要解读，未核验刊本变化；模型识别、验证标准和复现误差未说明，不能据此认定无监督模型普遍更优。
原文摘要
ABSTRACT Gentzkow, Shapiro, and Taddy, Econometrica 87, no. 4, 2019 (henceforth GST), use a supervised text‐based regression model to assess changes in partisanship in US congressional speech over time. Their estimates imply that partisanship is far greater in recent years than in the past and that it increased sharply in the early 1990s. The paper at hand provides a replication in the wide sense of GST by complementing their analysis in three ways. First, we propose an alternative unsupervised language model, which combines ideas of topic models and ideal point models, to analyze the change in partisanship over time. We apply this model to the Senate speech data used in GST ranging from 1981 to 2017. Using our model, we replicate their results on the specific evolution of partisanship. Second, our model provides additional insights such as the data‐driven estimation of evolvement of topical contents over time. Third, we identify key phrases of partisanship on topic level.