1702648599
1702648600
表11-2 堕胎接受题项在旋转前的因子负荷
1702648601
1702648602
1702648603
1702648604
1702648605
表11-3 最大方差旋转后堕胎因子的负荷
1702648606
1702648607
1702648608
1702648609
1702648610
观察这些因子负荷会发现,正如我们所假设的那样,对堕胎的态度具有两个因子。ABNOMORE、ABPOOR、ABSINGLE和ABANY主要负荷于因子1(黑体数字),而它们在因子2上的负荷则很弱,其余三个题项在因子2上的负荷较强(黑体数字),而在因子1上则负荷较弱。这两套题项符合我对个人偏好型堕胎(因子1)和治疗型堕胎(因子2)的先验性区分。
1702648611
1702648612
图11-1证明未旋转和旋转的因子结构之间是简单的数学变换关系,不会使变量间的关系发生变化。旋转仅仅使结果以一种更加容易解释的形式表现出来。如前文所提到的,在未旋转矩阵(实线)中,所有题项在因子1上都呈正负荷,但在因子2上则有些题项呈正负荷而另外一些题项呈负负荷。在我将轴逆时针旋转30度后(虚线),所有题项在两个因子上都呈正负荷,但其中四个(个人偏好原因)在因子1上负荷很强而在因子2上负荷很弱,而另外三个(治疗型原因)则在因子1上负荷很弱而在因子2上负荷很强。
1702648613
1702648614
1702648615
1702648616
1702648617
图11-1 未旋转与逆时针旋转30度时7个堕胎接受题项在前两个因子上的负荷
1702648618
1702648619
考虑到这些结果,构建两个独立的测度是合理的。因此,我用在因子1上负荷强的4个题项来构建对个人偏好型堕胎的态度测度,而用在因子2上负荷强的3个题项构建对治疗型堕胎的态度测度。在构建这两个测度时,我将题项标准化并求均值。如果在4个有关个人偏好的题项中至少存在3个有效应答,在3个有关治疗的题项中至少有2个有效应答,我就计算均值。之后,我们再次将测度转换为0~1的值,其中1表示最高的堕胎接受程度。
1702648620
1702648621
测度效度的第二个判断标准是,构建测度的各个题项是否与分析中的其他变量大致具有相同的关系。理想情况下,我们应该对各题项与因变量之间的零阶(zero-order)关系和净关系做出评估。然而此例中的因变量是两个对堕胎态度的测度。因此我简单地观察所有三个测度中的每个成分以及其余的自变量——受教育年限——之间关系的一致性。这些相关可参见下载文件“ch11.log”。每个测度的所有成分与其余变量的相关都在符号上一致,且在大小上大致相同。因而我得出结论,我将这些题项合并进测度的做法是恰当的。
1702648622
1702648623
表11-4是三个测度与完成的受教育年限的均值、标准差,以及它们之间的相关系数,而表11-5则是由方程11.5和11.6估计而来的系数。不出所料,对治疗型堕胎接受程度测度的均值比对个人偏好型的高出很多。(由于每个测度都是将样本中的最低得分转换为0而将最高得分转换为1的标准化系数,所以严格来讲,在不同测度之间进行均值的比较是不合理的。然而它们的确表明一般受访者的态度在最可接受以及最不可接受某种类型的堕胎之间的相对位置,因而可以用来比较对两种类型堕胎的相对接受程度。)
1702648624
1702648625
表11-4 1984年美国成年人对合法堕胎接受程度的模型中变量的均值、标准差及相关系数(N=1459)
1702648626
1702648627
1702648628
1702648629
1702648630
表11-5 两个预测堕胎接受程度模型的系数
1702648631
1702648632
1702648633
1702648634
1702648635
正如我们所预期的,对个人偏好型堕胎的接受程度相比于对治疗型堕胎的接受程度来说,在某种意义上更多的是一种社会建构。前者的R2为0.182,而后者的R2为0.136。此外,两个自变量的系数也是个人偏好型堕胎模型明显大于治疗型堕胎模型,表示受教育年限和宗教信仰虔诚度对个人偏好型堕胎的态度影响大于对治疗型堕胎的态度影响。然而在将系数标准化后,宗教信仰虔诚度对两种态度的影响基本相当,而受教育年限对个人偏好型堕胎的影响则大得多。
1702648636
1702648637
似不相关回归
1702648638
1702648639
Zellner的似不相关回归可以对两个模型中相对应系数的差别进行正式检验,在Stata中其命令为-sureg-。该方法同时估计因变量不同但自变量部分或全部相同的模型。当模型之间自变量一致时,该方法提供的系数与标准误和单独估计模型的时候一致,但它另外给出两项信息——各模型间残差的相关以及相对应系数间差异显著性的检验。就当前的例子来说,残差间的相关为0.38,它说明除了受教育年限和宗教信仰虔诚度之外,导致接受治疗型堕胎的任何因素也会(在某种程度上)导致接受个人偏好型堕胎。对应系数的差异性检验显示,与我们的假设一致,在个人偏好型堕胎模型中受教育年限和宗教信仰虔诚度的系数显著地大于治疗型堕胎模型中受教育年限和宗教信仰虔诚度的系数。(关于-sureg-命令的使用方法,详见下载文件“ch11.do”。)
1702648640
1702648641
效应比例测度法
1702648642
1702648643
当有一个自变量与因变量呈非线性关系时,会出现一个特殊的测度问题。在第7章中,我们讨论过检验非线性关系,以及通过变换模型的函数形式来表达非线性关系的方法。之前我们介绍过一种表达非线性关系的可能方法,即将变量转变为一系列的分类,并研究分类变量与结果变量之间的关系。在这一节我将介绍一种分类变量的扩展方法——效应比例测度法,在因变量具有明确的计量时可以使用〔使用效应比例测度法研究的例子,参见Treiman和Terrell(1975)〕。
1702648644
1702648645
例如,假设我们想研究在某一具有多种教育系统的国家,其教育获得和职业地位之间的关系。我们预测在这种系统下,职业获得不仅与受教育程度相关,而且与其所受教育的类型相关。在这种情况下,如何用简洁的方法显示教育的作用成为一个难题。我们当然可以用受教育程度和所受教育的类型来共同创建一个类型变量,但这可能引入许多系数。另一种方法可能更好,用各种类型的教育对职业地位的影响来构建教育测度。从技术角度讲这很简单。我们先来估计职业地位〔用国际职业的社会经济指标测量(International Socioeconomic Index of Occupations,ISEI)(Ganzeboom,de Graaf,and Treiman,1992;Ganzeboom and Treiman,1996)〕和一系列上述类型的变量所对应的虚拟变量之间的关系,然后我们构建一个新的受教育程度变量,其中类型变量的每一组都由其预测的职业地位值替代。
1702648646
1702648647
这样做的结果是使教育获得与职业地位之间的相关最大化——任何其他的教育测度都不可能产生更高的相关(在使用同一分类的情况下),当然,这里所说的相关就是相关比率(correlation ratio)。因而受教育程度变量应被解释为“以平均职业地位回报为参照的最高教育获得”。只要分析者能对读者清晰地说明这一操作过程,就不会存在疑义。该方法的优点是:它允许教育获得被简单地包括在随后的分析中。因而我们可以评估教育获得与职业地位之间的关系如何受到其他因素的影响,以及该相关在不同人群之间的差别,例如性别或种族差异。
1702648648
[
上一页 ]
[ :1.702648599e+09 ]
[
下一页 ]