1702648990
1702648991
结果意味着相对比率为11.40（=e2.434），即农民的子女成为农民而不是体力工人的可能性是体力工人子女的11倍以上。类似地，一位专业人士的子女成为专业人士而不是管理人员的可能性与一位管理人员子女的相应可能性的比率是：
1702648992
1702648993
logθ=μRC11+μRC22-μRC12-μRC21
1702648994
1702648995
=0+0.627-0-0 （12.11）
1702648996
1702648997
=0.627
1702648998
1702648999
结果意味着相对比率为1.87（=e0.627）。显然，在中国（像在其他地方一样），农业职业的“继承性”（inheritance）与体力工人子女的流动性之间的相对比率，要高于技术职业的继承性与管理人员子女的流动性之间的相对比率。
1702649000
1702649001
表12-10 针对表12-9中数据的饱和模型的交互项参数
1702649002
1702649003
1702649004
1702649005
1702649006
拓扑或层次模型
1702649007
1702649008
我们在前面已经谈到如何解释交互项系数，接下来将着重讲解列联表是否可以被简化的问题。尤其是考虑到在中国当前的经济背景下，销售人员和服务人员没有什么差别，于是我们猜测这两个类别可以合并为一个。要判断这种想法是否可行，我们设定了一个设计矩阵，令第四行与第五行、第四列与第五列的单元格相等：
1702649009
1702649010
1 1 1 1 1 1 1
1702649011
1702649012
1 2 3 4 4 5 6
1702649013
1702649014
1 7 8 9 9 10 11
1702649015
1702649016
1 12 13 14 14 15 16 =ss_dm
1702649017
1702649018
1 12 13 14 14 15 16
1702649019
1702649020
1 17 18 19 19 20 21
1702649021
1702649022
1 22 23 24 24 25 26
1702649023
1702649024
因为此模型拟合得很好（L2=16.06，自由度为11——因为36个非冗余系数中只有25个被估计，因此p=0.139；BIC=-76.5；Δ=0.53），所以我们得出的结论是：一张6×6表与一张7×7表反映了同样的代际流动模式。因此，我们接下来的分析将针对6×6表。
1702649025
1702649026
如果你无目的地探索对数线性模型，应该牢记上面这种特殊应用，无论何时你想决定是否合并表中的类别时均可以使用这种方法。上述步骤提供了严格判断是否可以在不损失信息的情况下合并表中的类别的标准。
1702649027
1702649028
更一般地讲，通过判断表中某些单元格是否具有相同的系数（即它们形成各种“层次”），我们可以探索一系列更广泛的模型（例如，见Hauser，1978，1980；Erikson and Goldthorpe，1992b）。
1702649029
1702649030
准独立模型
1702649031
1702649032
某些说法认为，如果人们可以摆脱父亲职业的影响，那么他们自己的最终职业地位和其社会出身之间就没有关联，即表中“非对角线”（off-diagonal）单元格之间是相互独立的。为了检验这个假设（基于合并后的6×6表），我们设定一个设计矩阵，使得该矩阵准确地拟合表中的对角线单元格，但令其他所有的交互项参数相等：
1702649033
1702649034
2 1 1 1 1 1
1702649035
1702649036
1 3 1 1 1 1
1702649037
1702649038
1 1 4 1 1 1
1702649039