Page 230 - 《社会》2018年第2期

专业选择与初职获得的性别差异：基于“首都大学生成长追踪调查”的发现

预测，模型如下：
π 犻 犼
ｌｏ ｇ ＝α 犼 ＋ β 犼 犡 犻
π 犻犑
犼＝１ ， ２ ，…， 犑－１ ）
（ （ １ ）
为选择专业 为选择专业 犑 （参照组）的概率，
其中， π 犻 犼 犼 的概率， π 犻犑
π 犻 犼
那么 犾狅 犵 表示选择专业 犼 相对于专业犑 的对数发生比（ 犾狅 犵狅犱犱狊 ）。
π 犻犑
以文学／历史／艺术专业为参照组，所有回归系数都是专业 犼 相对参照
为
专业 犑 得出的。 α 犼 为常数项， 犡 犻 表示分析所涉及的 犻 个自变量， β 犼
自变量的回归系数。 ７
基于分性别的多分 类 逻 辑斯 蒂回归 结果，本研究 进 一 步 构 建 了
不同性别的虚拟专业分布，即用 另一 群体（如 男性）的专业选 择模型
和本群体（如女性）的自变量 特征 分布 重新 预测本 群体 的专业分 布。
该方法可以规避个体 不 可观 测特 征 对大 学专 业选 择的 影响，假定具
有相同特征的个体 进 入 同 一专业 的 概率 相同。就 性别 而言，本研究
可以基于男性和女性样本计算出他 ／她们各自的虚拟状态，即可以利
用男性专业预测矩阵 和 女性 实际 的 自变 量特 征分 布，计算出 女性的
虚拟专业分布，反之 亦 然。因 此，对不 同性 别群体 而言，本研 究可以
基于另外一方的专业决定模型，重新计算出样本进入各专业的概率。
概率计算公式如下：
犡π ＾
犲
犻 犼
）
犘 犻 犼 ＝狆 狉狅犫 （ ｍａ ｊ ｏｒ 犼 ＝ 犑 犡π ＾
犲 犻 犼
 犽 ＝１
犼＝１ ，…， 犑 ）
（ 犻＝１ ，…， 犐 ； （ ２ ）
＾ 为另一群体的专业
与之前一致， 犡 犻 为影响专业选择的自变量， π 犼
＾ 是男性
选择模型的参数估计。在计算女性虚拟专业分布时，所用的 π 犼
专业选择模型的参数估计；同样，在计算男性虚拟专业分布时，所用的
７． 就职业获得而言，有初职信息的毕业生必然曾经受雇，那么在分析初职获得时就会存在样
本选择性问题。考虑到并不是所有大学毕业生都打算工作，即便打算工作也未必能马上找到
工作，即便找到工作也并不一定能够留在北京，本研究进一步控制了个体流失的概率。该流
失概率与工作概率相关性较高，因此通过控制流失概率可以在一定程度上对样本的选择性问
题进行调整，避免过分拟合。流失概率是通过拟合二分类逻辑斯蒂模型计算得出，其中因变
量为是否流失（ １＝ 有流失； ０＝ 未流失），自变量包括是否为女性、是否 ２００８ 年入学、是否为北
京户口、大学专业、学校类型、数据轮次等（结果在此未显示）。

· ２ ２ ３ ·