1702650240
1702650241
1702650242
图14-2 2000年美国成年人按照性别和婚姻状态划分的年性生活次数的期望值（N=2258）
1702650243
1702650244
审视此图，我们看到，在同样的年龄和性别条件下，有婚姻关系的人比没有婚姻关系的人的性生活更加活跃——这并不出人意料，而且，性活动随年龄增加而下降的速率是逐渐加快的。
1702650245
1702650246
有趣的是，不管是在有婚姻关系还是在没有婚姻关系的组别中，在同样的年龄条件下男性报告的性生活次数都比女性多。对于同样婚姻状态组别中的这种性别差异，原因不是很清楚，但这可能反映了一种倾向——男性会夸大性活动，而（或者）女性会低报性活动。注意，如果只考虑异性性行为，那么男性和女性的平均性行为次数和平均性伴侣人数应该都是相同的。因此，显然存在有偏申报或不同的应答率（例如，一种可能的情况是，有多个性伴侣的女性——如妓女——在GSS的样本中过少）；或者男性比女性报告了更多的同性恋情况。
1702650247
1702650248
有婚姻关系的男性和女性平均都只有一个性伴侣（准确地说是1.03个和0.99个），这意味着他们的配偶通常就是他们唯一的性伴侣，也就意味着他们的平均性行为次数应该是一样的——已经调整了他们在平均年龄上相差三年这一事实。然而，审视图14-2我们会发现，（期望值的）差异要大于年龄差所能解释的差异（如果年龄差能够完全解释，那么有婚姻关系的男性和女性的曲线应该是平行的，而且如果把男性的曲线平行于x轴往图形的左端移动三年的距离，它就会与女性的曲线重合）。这意味着有婚姻关系的男性和（或）女性按照合乎社会期望的方向虚报了他们的性生活次数——男性夸大性能力与女性强调性节制。虚报的可能性在没有婚姻关系的人群中大更多：平均来讲，没有婚姻关系的男性所报告的过去一年中性伴侣的人数大约是没有婚姻关系女性的2倍（1.85个相对于0.90个）——考虑到同性性行为上的差异无法解释这么大的差距——这说明没有婚姻关系的男性和女性有可能按照社会期望的方向虚报了性伴侣的数量和性生活的次数。一般来说，女性要比他们的男性伴侣更年轻这一事实也可能部分地解释了在没有婚姻关系的人群中男女两性所报告的性活动差异。要在这些可能性中做出判断，需要进行更加深入的分析。
1702650249
1702650250
1702650251
1702650252
1702650254
量化数据分析：通过社会研究检验想法 针对受限因变量的其他分析模型
1702650255
1702650256
本章的内容绝没有穷尽所有针对受限因变量的分析方法。Stata10.0提供了一系列执行命令，包括：
1702650257
1702650258
（1）条件逻辑斯蒂回归（conditional logistic regression）和混合模型（mixed models），其分析结果取决于结果变量的特征和（样本中的）个体特征。例子详见Boskin（1974）、Hoffman和Duncan（1988）、White和Liang（1998），以及Yanovitzky和Cappella（2001）。
1702650259
1702650260
（2）嵌套逻辑斯蒂回归（nested logistic regression），是通过将结果变量分成不同层次的方法对条件logit分析进行的扩展。例子详见Cameron（2000）、Soopramanien和Johnes（2001），及South和Baumer（2001）。
1702650261
1702650262
（3）Probit回归（Probit regression），是逻辑斯蒂回归的一种替代方法。简要介绍参见附录13.B。
1702650263
1702650264
（4）泊松回归（poisson regression），用来对计数变量即某一事件发生的次数进行建模。经典的例子是von Bortkiewicz于1898年对普鲁士军队中被马踢死的士兵人数的研究。在社会科学中的应用研究包括Long（1990）、Greenberg（1991）、Rasler（1996）、Chattopadhyay等（2006），及Weitoff等（2008）。关于泊松回归的权威性统计学说明，参见Cameron和Trivedi（1998）。
1702650265
1702650266
Long（1997）、Hosmer和Lemeshow（2000），以及Powers和Xie（2000）对上述许多方法做了很好的介绍，具有一般统计学知识背景的社会科学人员花些时间就能理解这些方法。Long和Freese（2006）提供了在Stata中使用这些方法的指南。关于这些方法的一个很有用的综述，参见Gould（2000）。
1702650267
1702650268
1702650269
1702650270
1702650272
量化数据分析：通过社会研究检验想法 本章小结
1702650273
1702650274
我们在本章了解了如何对三种受限因变量进行模型估计：对序次变量适用序次logit模型；对多分类变量适用多项logit模型；对删失变量（高于或低于某些分界点的取值没有被观测到）适用tobit模型。
1702650275
1702650276
1702650277
1702650278
1702650280
量化数据分析：通过社会研究检验想法 第15章 改进因果推断：固定效应与随机效应模型
1702650281
1702650283
本章内容
1702650284
1702650285
在这一章，我们将学习两种密切相关的用于处理忽略变量偏误的技术。回顾第6章，当我们在模型中没有纳入影响结果变量且与一个或多个预测变量相关的变量时，就会发生忽略变量偏误。本章所讨论的用于估计无偏系数的技术被称为固定效应模型（fixed effects）和随机效应模型（random effects）。这两类模型使用两个或以上时点的相同个体信息，或者组内（家庭、学校、公司、社区或其他类似的组）两个或以上个体的信息，以排除估计方程中不随时间变化或在相同组内固定不变的所有特征，无论这些特征有没有被测量。结果是，我们能够测量的特征不会因为受到未被观测到的、不随时间变化的因素影响而出现偏误。有关这类技术的介绍，见Allison（2005）和Wooldridge（2006，第13、14章），本章内容主要来自他们的文献。
1702650286
1702650287
1702650288
1702650289
[
上一页 ]
[ :1.70265024e+09 ]
[
下一页 ]