1702649621
1702649622
=-2.3363+1.4543=-0.8820 （13.10）
1702649623
1702649624
对于黑人男性，我们有：
1702649625
1702649626
G=a′+bB+bM+bBM
1702649627
1702649628
=-2.3363+0.5690+1.4543-0.2125=-0.5255 （13.11）
1702649629
1702649630
从表13-3中的系数和上面展示的运算来看，我们知道非黑人男性受到枪械威胁的期望对数比率比非黑人女性大1.45倍；黑人女性受到枪械威胁的期望对数比率比非黑人女性大0.57倍；但是，黑人男性面临的危险并不完全是身为男性和黑人风险的双重叠加，因为他们的期望对数比率相较于男性变量的系数和黑人变量的系数之和低0.21倍。或者，用另外一种方式来表达，非黑人的性别差异比黑人的性别差异大，女性的种族差异比男性的种族差异大。除了交互项效应太弱而缺乏可靠性之外，这些结果支持了之前的假设。
1702649631
1702649632
如果我们从比率比而不是logit来考虑，会更加容易解释。这样做的一种方法是直接对刚才计算的logit（即G）取反对数。这样一来我们就会看到，在1994年受过20年教育的人曾经受到枪械威胁的期望比率，非黑人女性是0.10（=e-2.3363），黑人女性是0.17，非黑人男性是0.41，黑人男性是0.59。注意，比率比（在四舍五入误差范围内）显示在表13-3最右边的一列中：非黑人男性受到枪械威胁的比率是非黑人女性的4.3倍（0.4140/0.0967=4.28134.2817）；黑人男性受到枪械威胁的比率是黑人女性的3.5倍（0.5913/0.1708=3.46193.4618=4.2817×0.8085）；依此类推。就像我们针对logit所做的那样，通过写出期望比率，我们可以很明显地看出这一点。
1702649633
1702649634
对于非黑人女性，我们有：
1702649635
1702649636
eG=ea′
1702649637
1702649638
=0.0967 （13.12）
1702649639
1702649640
对于黑人女性，我们有：
1702649641
1702649642
1702649643
1702649644
1702649645
对于非黑人男性，我们有：
1702649646
1702649647
1702649648
1702649649
1702649650
对于黑人男性，我们有：
1702649651
1702649652
1702649653
1702649654
1702649655
还有一个系数有时也有帮助，那就是比率的百分比变化，即100（eb-1）。例如，我们从表13-3中的模型2可以得出结论，在所有其他因素都相同的情况下，黑人曾经受到枪械威胁或枪击的比率比非黑人高56%，因为100（1.56-1）=56。
1702649656
1702649657
然而，虽然比率比解释起来很容易，但是期望比率仍然不是很直观。因此，将期望比率转换成百分比是很有帮助的。例如，在当前的例子中，在控制了受教育程度和调查年份之后，计算每一个种族—性别组中曾经受到枪械威胁的人的期望百分比是很有用的。也就是说，我们希望由模型得到调整后的百分比，以便我们在控制了受教育程度和调查年份之后评估种族和性别组在百分比上的差异。我们可以用下面的关系式来实现我们的想法：
1702649658
1702649659
1702649660
1702649661
1702649662
这里，x是自变量取特定值之后Y的比率。注意，由于比率和百分比之间的关系是非线性的，我们需要针对要做变换的自变量选择特定的值。我在这里用与模型4同样的值，即我对1994年受过20年教育的人按种族和性别来计算期望百分比。例如，对于非黑人女性，我们有Pct（Y）=100×［0.0967/（0.0967+1）］=8.8%。对于黑人女性、非黑人男性和黑人男性，相应的期望百分比分别为14.6%、29.3%和37.2%。当然，如果我们愿意，也可以按照受教育程度和调查年份的不同取值构建一张完整的期望百分数表。这样做需要大量的手工计算。然而，结合Stata处理有限取值的因变量的有关程序，Long和Freese（2006）发展出了一套Stata-ado-文件来自动完成这些计算，并且可以生成其他用来解释逻辑斯蒂回归系数的统计量。（那些希望研究这些文件的读者可以登录Long的网页：http：//www.indiana.edu/～jslsoc，点击Long和Freese著作的那个链接。）
1702649663
1702649664
1702649665
1702649666
1702649667
量化数据分析：通过社会研究检验想法 [:1702644817]
1702649668
量化数据分析：通过社会研究检验想法 第二个具体例子：日本的教育递进率
1702649669
1702649670
在教育分层文献中，一个重要假设是个体的教育获得对其父母社会地位的依赖程度随受教育水平的提高而下降。这一假设已经被具体地操作化为这样一个术语，即受教育水平从某一级到下一级的“递进率”（progression ratios）（Mare，1980；1981）。也就是说，我们会问是什么影响了人们从某一受教育水平继续升到高一水平的比率，例如，小学毕业后进入中学，进入中学后毕业，中学毕业后进入大专或大学，等等。一旦我们用此方法设定了研究问题，它显然就是一个逻辑斯蒂回归问题，但属于一个特例。这类问题的显著特征是，任何人会有好几次转变。同样明显的是，这类问题的结构形式与许多不可逆的转变结构的形式是一样的。例如，在犯罪学领域，从被捕到传讯、审判、定罪、宣判；在医学研究领域，某种疾病的不同阶段的转变，等等。我们解决这类结构形式问题的方法为，将所有的转变数据汇总成一个数据集，然后分析由转变所构成的样本而不是由人所构成的样本。