1702647137
现在让我们看一下b取各种数值时b和eb的关系。
1702647138
1702647139
b eb b eb
1702647140
1702647141
0.01 1.01 -0.01 0.99
1702647142
1702647143
0.05 1.05 -0.05 0.95
1702647144
1702647145
0.10 1.11 -0.10 0.90
1702647146
1702647147
0.15 1.16 -0.15 0.86
1702647148
1702647149
0.20 1.22 -0.20 0.82
1702647150
1702647151
0.30 1.35 -0.30 0.74
1702647152
1702647153
0.40 1.49 -0.40 0.67
1702647154
1702647155
0.50 1.65 -0.50 0.61
1702647156
1702647157
我们看到，b小于|0.2|时，X每增加一个单位，b非常接近于Y的期望值成比例增加的比例。当b取较大值时，b则会低估Y的增加比例。
1702647158
1702647159
为了了解如何用此方法解释结果，可以用2004年GSS数据，分性别来考察受教育年限和工作小时数对收入对数的影响。我们估计下面形式的模型：
1702647160
1702647161
1702647162
1702647163
1702647164
这里，I=2003年收入，E=受教育年限，H=每周工作小时数，M=1表示男性，M=0表示女性。〔注意，尽管这里的分析限定为有收入的人，但通常会将因变量的取值增加一个很小的常数（如1），以保证取值为0的样本不被删除；这种经过转换后的变量被称为“起始对数”（started logs）（Tukey，1977）。关于处理0值的其他方法，见第14章对tobit分析的讨论。〕基于数据无缺失的1459个样本，估计方程为：
1702647165
1702647166
1702647167
1702647168
1702647169
此方程告诉我们，在同一个性别组以及在那些每周工作小时数相同的人群中，受教育年限每增加一年，收入预期会增加约12%。相应地，在同一个性别组以及在那些具有相同受教育程度的人群中，每周工作小时数每增加一个小时，收入预期会增加2.1%。最后，在那些拥有相同受教育程度并且每周工作小时数相同的人群中，男性的收入预期比女性的收入大约多40%。这里，系数低估了男性的优势，因为e0.335=1.398。这提醒我们，只有当b＜|0.2|时，b才可以被直接解释为期望百分比的增加；当b较大时，我们应该老老实实地计算其指数值。
1702647170
1702647171
对负系数也应该做同样的解释。例如，系数-0.05表示自变量每增加一个单位，因变量预期降低5%，即因变量的期望值会是95%。同样，对于b＜-0.2，实际减少的百分比将会小于系数看上去反映的数值。因此，再强调一次，在这种情况下我们应该计算系数的指数值。
1702647172
1702647173
注意，方程表示自变量和收入的自然对数（而不是收入本身）之间呈线性关系。只要看一下受教育年限和收入对数的关系图，就会明白这一点。图7-2是按所有工人（包括男性和女性）每周工作小时数的均值水平（42.67个小时）分别对男性和女性进行估计。当然，关系呈线性，且两性的期望值仅相差一个常数。
1702647174
1702647175
然而，当我们画出收入和受教育年限的期望关系时，关系是呈曲线的，两条线也不再是平行的（见图7-3）。
1702647176
1702647177
1702647178
1702647179
1702647180
图7-2 2004年美国男性和女性按受教育年限划分的期望收入对数，每周工作小时数固定在两性合并后的均值水平（42.7个小时）上（N=1459）
1702647181
1702647182
1702647183
1702647184
1702647185
图7-3 2004年美国男性和女性按受教育年限划分的期望收入，每周工作小时数固定在两性合并后的均值水平（42.7个小时）上（N=1459）
1702647186