Logistic回归模型的应用_大学生就业状况因素分析

回归模型 大学生 就业

　　　Logistic回归模型的应用　　　　　　　　　　———大学生就业状况因素分析

金林　(中南财经政法大学信息学院　湖北　武汉)

【摘要】　本文在简要介绍了Logistic回归模型后,利用从某高校取得的数据,运用多元Logistic回归分析方法,对在高校扩招条件下影响大学生就业的因素进行了分析。结果显示,,被调查学生能否成功就业与性别、籍贯、是否为党员以及英语水平的高低等因素密切相关。【关键词】　Logistic　回归　就业　多项logit模型

　　Logistic回归模型是在分析分类因变量时最常使用的统计分析模型之一。

1　Logistic回归模型

Logistic回归模型的

,而其中关于学生。取得原始数据后进行过严格编码录入及核验工作,因此,数据质量

具有可靠保证。原始数据可以分为说明学生基本情况,学习情况和思想状况三个部分。基本情况中有学号,姓名,性别,班级(一共有2个班)和籍贯;学习情况中有四年成绩平均分和英语等级情况;思想情况中有是否为党员和是否担任过各种职务。其中将籍贯分为东部,西部和湖北。英语水平分为未过四级,

过四级和过六级及以上。

当有

个自变量时,模型就扩展为

通常意义上的Logistic回归要求因变量y只有两种取值即二分类变量。其实,Logistic回归模型并不局限于应用在二分类反应变量。对于多分类反应变量,即分类数在三类或三类以上的分类反应变量),只要对模型稍作改进,Logistic回归同样适用。而且多分类反应变量既可以是次序测量也可以是名义测量。在多分类反应变量类别不存在次序关系时,可以采用多项Logit模型;当多分类反应变量类别之间有次序关系时,应该采用累积Logistic回归模型或序次Logistic回归模型。下面主要讨论一下多项Logit模型。

如果非次序分类因变量y有个值,多项Logit模型可以通过以下l

ogit形式描述:

本实例所采用的数据的基本特征如表1所示:

表1　某届某系学生的基本资料及就业情况

变量去向

变量取值

就业未就业一班二班男女东部湖北西部是否是否六级四级四级以下

人数(n)

1102769687562208433449328109387128

百分比(%)

80.2919.

7150.3649.6454.7445.2614.661.3124.0932.1267.8820.4479.5627.7451.8220.44

即在多项Logit模型中logit是由反应变量中的不重复的类别的对比所形成的。因此如果以其中一个类别作为参考类别,其他类别都同它相比较可生成J-1个的Logit变换模型。在有J个类别的多项Logit模型中,J-1个l

ogit可表述为:

班次性别

籍贯

党员职务

英语过级情况

其中最后一个类别就是参照类别。

2　Logistic回归模型应用实证分析

　　注:1就业人数中包含读研和出国,档案放在人才交流中心按未就业记。2.由于湖北的学生占了总数的一半以上,故将湖北单独列为一类

本案例利用某大学一个系某年140名应届毕业生的就业情况和在大学四年在学习,思想上的综合数据,运用Logistic多元回归分析方法,对影响应届大学毕业生就业成功的因素进行分析。

2.1　关于数据的说明

　　从表1可看出,该系本科应届毕业生的就业率达到了80.

29%,比全国平均就业率约高出10个百分点。60%以上的学生是

湖北籍,这是由于该校面向湖北招生人数较多,实际每年湖北学生

回归模型 大学生 就业

都占入学新生总数的一半以上。将近30%的学生没有通过大学英语四级考试,有大约20%的学生在大学期间担任过一种职务。党员的比例高达32.12%,而且绝对部分是在大学期间入党的,这说明大学生入党在该校较为普遍。与一些理工科院校不同,男女生的比例没有显著的差别。

2.2大学生毕业去向的多项Logit模型

大学入党,对各方面都有一些特殊的较高要求,如平均分必须在一定分数以上才能入党。能够入党者总体上来说,各方面都比未入党者要好一些,故在找工作中就具有一定的优势。由于担任职务相对党员来说,没有那么苛刻的条件,因而其成功就业的贡献相对来说不是很大,其发生比率为1.530(从作用幅度上来说远小于党员的发生比率3.050)。但对于没有担任职务的学生来说,担任职务者可能由于在平常的工作中得到了锻炼,因而相对要好找工作一些,但效果并不是太明显。党员和曾经担任过职务对于读研的作用与对就业的作用相似。

2.3.3　将读研和出国的作为反应变量的另一个分类,为了方便统称为读研。相应的将反应变量称为“毕业去向”y。则y是一个三分类变量,取值可以为未就业,就业和读研,并且三者之间并无明显的次序关系。这时应采用多项Logit模型。构建的多项Logit模型包含如下两个广义Logit模型,

即

,ENG1的发生比率)。,对找到很好的工作不抱。由于这些因素的影响,其。过了四级和未过四级者在就业上的差别可能反应在找到的工作的好坏上。但过了英语六级的学生,在就业上明显比未过六级者高了一个档次(实际上从表2可

其中表示一个学生“未就业”的概率,表示学生“就业”的概率,表示学生“读研”的概率。其中“未就业”作为对比参照类。模型将会产生两套系数:一套表示就业对未就业的对数发生比;一套表示读研对未就业的对数发生比。多项Logit模型系数说明的是,在控制其他变量的情况下,某一自变量一个单位的变化对某一类别相对参照类的对数发生比的影响。用SPSS计算可以得到计算结果(略)。自变量的系数估计值标识为就业的部分为第一个logit模型的参数估计,标识为读研的部分为第二个logit模型的参数估计。根据所估计的系数,便可以写出多项Logit模型为:

2.3　Logistic多元回归的结果分析2.3.1　基本情况对大学毕业生去向的影响

以看出,过了六级的只有仅仅只一个学生未就业)。并且,其发生比率在所有的变量当中也是最高的。这说明过了六级在所有自变量中,对成功就业的作用最大。而对于MEAN这个变量,由于其是

连续的。平均分增加一分或减少一分的作用十分微小(其发生比率为1.035),在实际应用中,往往是取一个较大的离散的变化,来得到变量对反应变量的影响。平均分比总平均值高10分时的发生比率为。这能否成功就业对平均分数并不是太敏感。这或许是大学的学生不太重视课内成绩而对一些考级和考证比较重视的一个客观原因。

在多项Logit模型中,过了六级的学生的就业发生比也是明显要比未过六级的学生高(3.931倍),而过了四级和未过四级的学生在成功就业上则没有什么差别。而读研的与未就业的相比,一个突出的特点就是过六级这个因素对于能否读研来说,作用远远超过其他因素。过了六级的学生读研的发生比平均是未过六级学生的发生比的32.656倍!这一特点是与我国当前的研究生入学考试制度相联系的。英语对于许多参加研究生入学考试的而英语基础不太好的学生来说,往往是一个瓶颈。而对于那些英语基础较好(过了英语六级)的学生来说,考研究生就相对来说比较容易。现在来看看平均分分别对就业和读研的影响。如果平均分高于总平均分5分,则对于就业来说,其发生比率为,这表示平均分提高

5分对就业来讲,几乎没有什么影响。而对于读研来说,其平均分

分析结果表明,该校这个系的女生的成功就业的概率比男生要高。这似乎和平常一些认识相反。但从该系的各方面情况来看,这是符合实际情况的。因为该系的女生在各方面总体上都要优于男生。虽然在找工作过程中,确实有一些不利于女生的因素。但该系的女生在抵消这些不利因素后,总体就业情况仍好于男生(从表 …… 此处隐藏：2590字，全部文档内容请下载后查看。喜欢就下载吧 ……