1702646482
量化数据分析：通过社会研究检验想法 本章小结
1702646483
1702646484
本章介绍了简单的（只有两个变量的）常规最小二乘（OLS）相关和回归，以理解OLS回归这一现代统计分析中最为常用的方法的概念基础。我们也介绍了相关和回归系数的大小如何受到样本在双变量分布上的影响——具体来说就是，结果如何受高杠杆异常值、删截、向均值回归和汇总的影响。完全理解这些影响是很重要的，因为许多混淆视听的结论都是由那些没有理解这些影响的人做出的。我们还介绍了另一种相关系数——相关比率的平方，这类似于相关（系数），只是适用于当有一个间距或连续以及一个分类自变量时的情形。我们在下一章将讨论拓展到多元相关和回归，即当我们有两个或更多自变量时的OLS分析技术。
1702646485
1702646486
1702646487
1702646488
1702646490
量化数据分析：通过社会研究检验想法 第6章 多元相关和回归（常规最小二乘法）介绍
1702646491
1702646493
本章内容
1702646494
1702646495
我们在本章介绍处理最典型的社会科学问题的核心技术——理解某些结果如何受几个彼此相关的决定变量的影响。我们从回顾多元相关和回归的概念开始，然后以一个具体例子描述如何解释回归系数。然后我们介绍分类变量的特殊属性，分类变量可以作为一组二分（“虚拟”）变量被纳入多元回归方程中，而原始变量的每一个类别则作为一个变量（为了让方程能够被估计，其中一个类别必须被省略）。在对虚拟变量的讨论中，我们会讨论组间比较的一种策略，它能使我们确定在人口的两个或更多亚组中，如男性和女性、种族分类等，我们研究的社会过程是否以同样的方式运行。最后，我们将讨论选择模型的另一个指标，即贝叶斯信息系数（BIC）。
1702646496
1702646497
1702646498
1702646499
1702646501
量化数据分析：通过社会研究检验想法 引言
1702646502
1702646503
对大多数社会科学的目标而言，我们在前面章节讲到的两个变量的回归没有太大意义——除了作为基础模型与包含多个自变量的模型比较。后者正是本章的重点。这里我们将处理两个变量的方法一般化为处理多个变量的方法。也就是说，通过一组（set）自变量预测某个（间距或比率）因变量，我们除了将从多个维度估计方程之外，在逻辑上这与两个变量的回归是完全一样的。
1702646504
1702646505
让我们先来看前面曾讲过的两个自变量的例子。这10个样本的例子来自前面的章节，但有所扩展。假设我们认为受教育年限不仅依赖于父亲的受教育年限而且依赖于兄弟姐妹数。其依据是，（在其他情况一样时）兄弟姐妹数越多的人从父母那儿得到的关注越少，因而其结果是在学校的表现不好，因此最终所受的教育较差〔如文献中关于兄弟姐妹数影响的研究，见Downey（1995），Maralani（2004），Lu（2005），Lu和Treiman（2008）〕。进一步假设我们有这10个样本关于所有三个变量的信息：
1702646506
1702646507
父亲的受教育年限 受访者的受教育年限 兄弟姐妹数
1702646508
1702646509
2 4 3
1702646510
1702646511
12 10 3
1702646512
1702646513
4 8 4
1702646514
1702646515
13 13 0
1702646516
1702646517
6 9 2
1702646518
1702646519
6 4 5
1702646520
1702646521
8 13 3
1702646522
1702646523
4 6 4
1702646524
1702646525
8 6 3
1702646526
1702646527
10 11 4
1702646528
1702646529
注意，前两列只是前面章节例子的简单重复（见第83～84页）。
1702646530
[
上一页 ]
[ :1.702646481e+09 ]
[
下一页 ]