1702649130
1702649131
v4= -0.228
1702649132
1702649133
v5= -1.033
1702649134
1702649135
显然，目前最困难的转型（跨越）是农业职业与非农职业（特别是体力职业）之间的跨越；这在各个社会都一样，中国也不例外。有趣的是，难度最小的转型是管理人员与办事人员之间的转变。不过这也并不奇怪，因为在中国办事人员的工作与带有管理性质的工作之间并没有显著区别。最优秀的、最聪明的办事人员常常被提拔为管理人员。这种代际内的流动模式也可以被很好地用于代际的流动，即可以将办事人员的岗位看作管理人员子女的职业起点，而将管理人员职位看作是办事人员子女努力向上流动的目标。最后，这个结果可能源于将男女样本合并起来分析，有可能管理人员的女儿更可能成为办事人员。
1702649136
1702649137
统一关联模型
1702649138
1702649139
当表中的类别是有序的时候，相比于名义变量模型，我们可以估计更加简约的模型。最简单的这类模型假设每对相邻类别之间的差异相等，因此每个变量的测度可以用连续整数表示。此模型可表示为：
1702649140
1702649141
logFij=μ+μRi+μCj+βij （12.13）
1702649142
1702649143
其中，β表示行水平与列水平的关联强度。根据这一点，行分类i和i′与列分类j和j′之间的对数比率比为：
1702649144
1702649145
log θ=β（i-i′）（j-j′） （12.14）
1702649146
1702649147
表12-11显示了统一关联模型在完全拟合和不拟合对角线单元格情况下的拟合优度统计量。如表所示，当对角线单元格没有完全拟合时，统一关联模型的拟合很差。原因很简单：人们更可能留在和父亲同样的职业类别当中。这种趋势可以通过完全拟合对角线单元格来发现，否则就可能被忽视。但是，出于这一原因，除非对角线单元格被完全准确地估计，否则表12-11中没有一个关联模型拟合得好。
1702649148
1702649149
但是，当对角线单元格被准确估计时，统一关联模型拟合得非常好，我们得到β=0.046。例如，从公式12.14我们能看到，这意味着专业人士的子女成为专业人士而非农民的比率是农民子女相应比率的3倍多：0.046（1-6）（1-6）=1.150；e1.150=3.158。这实际上是一个非常低的比率比，它符合一般的观点：代际流动在中国比其他大多数国家更容易〔但Wu和Treiman（2004，2007）提出了一个相反的观点〕。
1702649150
1702649151
线性乘线性关联模型
1702649152
1702649153
现在假设我们不仅知道简单的类别之间的序次，而且知道更多的信息，例如，我们还知道社会经济地位得分，那么，我们可以估计一个线性乘线性关联模型（linear-by-linear association models），这里用测度得分来代替分类标志。与公式12.13相对应，我们有：
1702649154
1702649155
logFij=μ+μRi+μCj+βxiyj （12.15）
1702649156
1702649157
对数比率比为：
1702649158
1702649159
log θ=β（xi-xi′）（yj-yj′） （12.16）
1702649160
1702649161
当我们用中国的数据估计此模型，并用平均职业地位（ISEI；见Ganzeboom，de Graaf，and Treiman，1992）赋值于每个职业类别时，我们得到的模型从BIC标准来看比统一关联模型拟合得稍好些。对于此模型，β=0.000483。因此，对于那些与统一关联模型例子中同样的类别，其相应的对数比为：0.000483（16.2-63.7）（16.2-63.7）=1.090；e1.090=2.974。我们由此得出一个相似的结论：专业人士的子女成为专业人士而非农民的比率大约是农民子女相应比率的3倍。
1702649162
1702649163
注意，模型可以包括多个测度来表示一个表的分类。这些不同的测度测量不同的概念。表12-11显示了另外两个线性乘线性关联模型的拟合优度统计量，其中一个职业测度用该职业从业者中有城市户口的比例来测量，另一个同时使用ISEI和城市户口测量。如结果所示，这两个模型都不如仅使用ISEI的线性乘线性关联模型和统一关联模型拟合得好。但是，如果我们希望用包含两个测度的模型来评估对数比率比，那么我们只需要依照公式12.16分别对两个变量进行计算，然后求和（有关此类模型的一个很著名的应用，见Hout，1984）。
1702649164
1702649165
行效应（和列效应）模型
1702649166
1702649167
我们有时相信某个变量可以用一个整数赋值——每对相邻类别之间的差异是一样的——但我们不能确定如何对其他变量进行排序。在这种情况下，我们能够估计未知得分。在这种模型中，期望频数被表示为：
1702649168
1702649169
logFij=μ+μRi+μCj+jϕi （12.17）
1702649170
1702649171
其中，j表示一个变量的分类，ϕi是其他变量的估计测量得分。这里，对数比率比为：
1702649172
1702649173
log θ=（ϕi-ϕi′）（j-j′） （12.18）
1702649174
1702649175
可能满足这些条件的一个例子是，前面讨论过的1996年中国调查中出生地规模与教育获得之间的关系。表12-12显示现在不在校成年人的该双变量频数分布。在构建此表时，我合并了受教育程度类别，使类别大致反映将受教育年限以三年为间隔划分后的中间水平。出生地大小类别来自中国官方的行政区划类别，该类别很明显地反映出不同地区间的资源分配。因此，除了城镇居民在接受教育（有更大的可能接触到书面文字等）方面具有一般优势外，我们还预期在更高行政管理级别的地方受教育程度更高，因为中央政府会分配更多的资源给这些地区。
1702649176
1702649177
行效应模型结果表明模型拟合得很好（BIC=-135，Δ=2.96），尽管还不满足传统统计推断标准（p＜0.000）。但是，与我们的预期不同的是，出生地规模的估计得分与受教育程度并非呈单调关系。这些得分为：
1702649178
1702649179
村 0.00
[
上一页 ]
[ :1.70264913e+09 ]
[
下一页 ]