1702649794
为了解案例—对照方法在实际研究中是如何操作的，让我们来研究在共产主义时代后期，是哪些因素影响了成为俄罗斯政治精英的比率。在“1989年之后东欧的社会分层”研究项目中（Treiman and Szelényi，1993），我们有2个俄罗斯的代表性样本：一个成年人口的概率样本（N=5002）和一个在1988年1月政党当权人物的随机样本（N=850）（见附录A对数据的介绍以及如何获取数据的方法）。政党当权人物是那些需要得到共产党中央委员会任命的。他们中上有职位很高的政府官员（如政治局成员），下有重要组织的领导——例如，大学校长、重要报纸的主编和大型企业的领导。
1702649795
1702649796
一般的总体人口样本在两个方面不服从案例—对照抽样的假设，但从实际应用的角度讲，这两点都不重要。首先，它是1993年而非1988年人口的一个概率抽样。但是，抽样框依据的是1989年人口普查，因此样本对1988年人口的代表性与对1993年人口的代表性差不多，主要（但可能不是很大）的差异来自1988～1993年间不同社会经济地位的人在死亡率上的差异。其次，一般的总体人口样本并不严格符合从非政党当权人物中抽样的要求。但是，政党当权人物在俄罗斯是非常少的（在将近1亿成年人中大约有1万人，这意味着在一般的总体人口样本中大约会有0.5人），以至于这些差别微不足道；事实上，在这个一般总体人口样本中没有人是政党当权人物。
1702649797
1702649798
两个样本数据是在1993年收集的，使用几乎一样的问卷。我将分析限定在1988年时年龄为20～64岁且所有变量都有完整信息的样本（1988年政党当权人物样本是777人，一般的总体人口样本是2369人）。我接着将两个样本合并成一个样本，并进行逻辑斯蒂回归，用一组常规自变量预测成为政党当权人物的对数比率：受教育年限、性别、年龄，父亲的受教育年限、职业地位和共产党员身份。为了调整家庭户规模的差异和样本设计中的特定偏差（见Treiman，1994，I.G部分），我对一般的总体人口样本进行加权。因为政党当权人物样本是1988年政党当权人物的一个随机样本，所以没有必要对其进行加权——所有政党当权人物的权重都为1。此处没有Stata日志文件，因为一旦合并了两个样本，我们就可以像平常那样执行二项逻辑斯蒂回归。计算结果被列在表13-7中。
1702649799
1702649800
表13-7 1988年俄罗斯政党当权人物资格决定因素的模型系数
1702649801
1702649802
1702649803
1702649804
1702649805
在对结果进行解释之前，我们应该注意到案例—对照分析和常规二项逻辑斯蒂回归的一个区别：在案例—对照分析中截距项是没有意义的，在逻辑斯蒂回归中截距项表示因变量的取值为“正的”样本比例。但是，在案例—对照设计中该比例在抽样时就已经确定了，因此，此系数没有意义。
1702649806
1702649807
查看表13-7中的系数，我们看到有些变量有非常大的影响，但没有出人意料的结果。受教育年限每增加一年使成为政党当权人物的比率提高70%以上。因此，在所有其他因素都相同的情况下，大学毕业生（在俄罗斯他们的受教育年限通常是15年）被任命为政党当权人物的可能性是高中毕业生（受教育年限为10年）的15倍以上（确切地说是15.32=1.726（15-10））。性别的影响是极大的：男性被任命为政党当权人物的可能性是女性的17倍以上。年龄的影响也极大：在所有其他因素都相同的情况下，每增加1岁，被任命为政党当权人物的比率提高约14%。比如，50岁的人被任命为政党当权人物的可能性是35岁的人的7倍以上（确切地说是7.23=1.141（50-35））。更有趣的或许是，即使是在受教育程度相同的人群中，社会出身的影响也不容忽视。在其他因素都相同的情况下，来自父亲是共产党员家庭的人被任命为政党当权人物的机会增大约50%。同样，父亲的受教育年限每增加一年，其被任命为政党当权人物的比率提高约11%，因此拥有大学学历（接受15年教育）的知识阶层的后代被任命为政党当权人物的可能性是那些只有小学受教育程度阶层后代的约3倍（确切地说是2.94=1.114（15-5）），不论他们自身的受教育程度如何。在所有我们考虑的变量中，只有父亲的职业地位对被任命为政党当权人物的比率没有影响。
1702649808
1702649809
1702649810
1702649811
1702649812
量化数据分析：通过社会研究检验想法 [:1702644820]
1702649813
量化数据分析：通过社会研究检验想法 本章小结
1702649814
1702649815
我们在本章知道了如何估计和解释二项逻辑斯蒂回归模型，它被广泛应用在诸如是否投票、是否就业或是否某个组织的成员等二分因变量的模型中。我们看到，虽然估计方法非常不同，但这类模型的系数解释与OLS回归相似，差别只在于系数代表的是自变量对因变量对数比率的净影响。
1702649816
1702649817
由于对数比率并不是很直观，为了更好地解释系数，我们介绍了两种非线性变换——比率和期望概率，我们也看到了如何图示这些净关系，它们是逻辑斯蒂回归的一种标准化形式。最后，我们介绍了基本逻辑斯蒂回归模型的三种拓展形式：教育递进率、离散时间风险率模型和案例—对照模型。逻辑斯蒂回归模型的一个显著特征是，它不随样本中变量分布的变化而变化，这是案例—对照方法在逻辑斯蒂回归框架内具有可行性的基础，但在OLS回归框架内却不成立。
1702649818
1702649819
1702649820
1702649821
1702649822
量化数据分析：通过社会研究检验想法 [:1702644821]
1702649823
量化数据分析：通过社会研究检验想法 附录13.A 关于对数和指数的一些代数基础
1702649824
1702649825
对于那些忘记了基础代数知识的读者，下面是一些关于自然对数和反对数（指数）的有用的等式：
1702649826
1702649827
eln（X）=X
1702649828
1702649829
ln（X×Y）=ln（X）+ln（Y）
1702649830
1702649831
ln（X/Y）=ln（X）-ln（Y）
1702649832
1702649833
X×Y=eln（X）eln（Y）=e（ln（X）+ln（Y））
1702649834
1702649835
e（X+Y）=eX×eY
1702649836
1702649837
e（X-Y）=eX×eY
1702649838
1702649839
ln（XP）=P×ln（X）
1702649840
1702649841
XP=（eln（X））P=eP×ln（X）
1702649842
1702649843
注意，Y=ln（X）和X=eY是等价的。