1702649230
如上一节提到的，行—列效应模型I的一个严重缺陷是准确估计测度得分依赖于类别的正确排序。出于此原因，Goodman（1979）提出另一个模型——行—列效应模型Ⅱ（也称RC模型或对数乘积模型）。由于该模型不受类别排序的影响，并且可以从数据中估计出测度得分，因此得到广泛应用。在此模型中，期望频数的计算公式为：
1702649231
1702649232
logFij=μ+μRi+μCj+ϕiϕj （12.21）
1702649233
1702649234
其对数比率比为：
1702649235
1702649236
log θ=（ϕi-ϕi′）（ϕj-ϕj′） （12.22）
1702649237
1702649238
公式12.21也可以用另一套参数来表示，也就是加一项来表示表中的总关联强度（这在组间比较时尤其有用，我们不在这里讨论），其表达式为：
1702649239
1702649240
logFij=μ+μRi+μCj+βϕiϕj （12.23）
1702649241
1702649242
其对数比率比为：
1702649243
1702649244
log θ=β（ϕi-ϕi′）（ϕj-ϕj′） （12.24）
1702649245
1702649246
对于表12-12所示数据，公式12.23的估计得到非常好的拟合：p=0.140，BIC=-147.3。有趣的是，这个模型的估计测度得分与早先报告的行—列效应得分的次序一致：
1702649247
1702649248
村 0.00 没上过学 0.00
1702649249
1702649250
乡镇 0.42 小学低年级 0.14
1702649251
1702649252
地级市 0.76 小学高年级 0.17
1702649253
1702649254
县城 0.82 初中 0.50
1702649255
1702649256
县级市 0.91 高中 0.80
1702649257
1702649258
直辖市 1.00 大专及以上 1.00
1702649259
1702649260
省会城市 1.04
1702649261
1702649262
在中国，出生地大小显然与教育获得密切相关，这可以从关联系数β=4.17看出来。而且，最大的差距是在农村与其他任何城市类别之间，其次是乡镇与地级市之间。仿照行—列效应模型曾做过的比较，我们用公式12.24能计算出在省会城市长大的人与在农村长大的人相比较，接受大专及以上教育相对于接受小学及以上教育的对数比率比为logθ=4.17（1.04-0）（1.00-0.17）=3.60，这意味着比率比为36.6（=e3.60）。也就是说，RC模型表明，获得大专及以上的教育与获得小学教育的比率，在省会城市长大的人是在农村长大的人的大约37倍。尽管此模型的比率比没有行—列效应模型（比率比为51）那么大，但它依然非常大。
1702649263
1702649264
虽然在此例中按出生地大小分类的测度比较接近我们的推测，同时受教育程度分类的序次和我们的假设也一模一样，但该方法本身并没有保证这种相似性。因为测度得分是通过最大化行变量与列变量之间的关联计算得来的，所以它们起到了检验推测是否正确的作用。通过用RC模型对前面分析的中国代际职业流动表进行估计，我们能够清楚地看到这一点。将中国的测度得分与西方国家的普遍结果（Ganzeboom，Luijkx，and Treiman，1989）相比较，该结果大大偏离了根据社会经济地位高低建构的职业分类排序假设〔这也许是因为我们的数据包括了男性和女性数据，而有关其他国家职业流动的大多数研究都是针对男性，比如Ganzeboom、Luijkx和Treiman（1989），以及Wu和Treiman在2007年用同一数据做的分析〕。下面的系数是根据一个忽略对角线单元格的模型估计得到的。
1702649265
1702649266
父亲的职业 受访者的职业
1702649267
1702649268
专业人士 0.00 0.00
1702649269
1702649270
管理人员 -27.68 -0.27
1702649271
1702649272
办事人员 -13.76 -0.18
1702649273
1702649274
销售和服务人员 -12.97 -0.77
1702649275
1702649276
体力工人 -2.33 0.87
1702649277
1702649278
农民 1.00 1.00
1702649279
[
上一页 ]
[ :1.70264923e+09 ]
[
下一页 ]