你做了一次民调，却恰好没访到“年长女性”。即使样本里的年龄比例和性别比例都与总体一致，这个缺口仍然存在：分别对齐两项特征，不等于对齐它们的各种组合。7 月 7 日，shira 在 Gelman 博客用一个四格算例，拆解了正在进入 Times/Siena Poll 的新工具——能量平衡（energy balancing）。它试图让加权样本在多个特征组成的整体分布上更接近总体，而不只是逐项凑齐比例。
本文的具体数字和判断均来自这篇探索性博客，尚无第二个独立信源交叉验证。作者本人也明确表示仍在思考，并把部分结论写成了问题。
加权不只是把两列数字对齐
调查加权，是在某类受访者过多或过少时，给每个人不同的权重，让加权样本更像目标选民总体。常见的校准加权会匹配若干已知统计量，例如年龄组和性别的总体占比。
问题在于“分别正确”未必等于“组合正确”。联合分布描述多个特征如何同时出现。年龄占比对了，性别占比也对了，并不能保证每个年龄层里的性别构成都对。
博客设定两个二元变量 、，因此总体有四个组合格。四格占比分别是 $0.4、0.2、0.2、0.2$，但样本完全缺少第 11 格。若把它理解为年龄与性别，这一格可以代表“年长女性”。
经典的事后分层（poststratification——按每个组合格的人口占比重新赋权）在这里无法定义，因为空格的样本数为零，计算权重会遇到除以零。更关键的是：加权只能改变已经受访者的分量，不能凭空创造一名缺失类型的受访者。
Raking 能对齐边缘，补不了空格
Raking（迭代比例拟合——轮流调整权重，使各变量各自的占比符合总体）只匹配边际分布，也就是分别看 和 ，不要求四种组合都匹配。
在算例中，Raking 之后四格的加权占比变成 $0.2、0.4、0.4、0$。两组边际占比都达到了总体要求：一个变量是 $0.6/0.4$，另一个也是 $0.6/0.4$；但联合分布明显不同于总体的 $0.4、0.2、0.2、0.2$。
博客指出，如果结果变量 对 、 的关系满足可加性，Raking 仍可给出正确结果。通俗地说，一个特征带来的变化不会随着另一个特征而改变。按作者给出的“年轻/年长、男性/女性、民主党支持率”示意，这相当于用另外三格的加减关系推算空格。
能量平衡换了一把尺子
能量平衡不只要求几个均值或总量相等。它选择一组权重，尽量缩小加权样本分布 与总体分布 之间的能量距离：
能量距离是一种衡量两个多维分布差异的尺子，越小表示整体越相似。博客把这种整体分布描述为经验累积分布函数（ECDF——直接根据观测数据累计出分布形状）。换句话说，方法关注的不只是“年龄平均是否一样”，还关注年龄与其他特征如何共同排列。
作者用 R 包 WeightIt 的 method = "energy" 运行这个算例。结果中，四格加权占比约为 $0.381、0.309、0.309、0$；两项边际比例均约为 $0.69/0.309$。它没有精确复原总体，也没有填上空格，但按所设定的距离，把已有三格重新排成了更接近总体联合分布的方案。
这组数字不能视为能量平衡的固定表现。博客代码还指定了距离矩阵、ATT、focal 等设置；换一套变量编码、距离或目标，结果可能不同。
为什么民调机构现在关注它
据这篇博客转述，Times/Siena Poll 将加入一种新的加权变量：支持分数，即在其他特征 已知时，对 2024 年投票选择的条件期望 ；同时采用能量平衡作为新的加权方法。
现实价值就在这里。民调需要同时处理许多彼此相关的选民特征。只匹配每项特征的总体比例，可能留下组合结构上的偏差。能量平衡提供了另一条路线：不预先列出所有必须精确匹配的组合格，而是用多维距离衡量样本与总体整体相差多远。
不过，“校准整个多元分布”应理解为优化目标，不等于有限样本一定能精确恢复完整联合分布。这个四格例子最有价值的地方，正是把边界暴露出来：当某个组合完全没人受访时，各种方法都必须依赖额外假设。
局限与未知
- 作者猜测，当相邻组合的结果均值接近时，能量平衡或许近似对应“年长女性等于年长男性与年轻女性均值的平均数”。这仍是提问式推测，是否成立取决于距离定义等具体设置。
- 博客还提出 MRP（多层回归与事后分层——先建立结果与人口特征的模型，再按总体构成汇总）可用先验传播空格交互项的不确定性。但“后验等于先验”取决于模型与先验设定，不能当作普遍结论。
- 这只是一个玩具算例，没有提供真实民调上的误差比较，因此目前能说明方法如何分配权重，不能说明它必然提高预测准确率。