变量含义与测量

第五章　农户子女教育投资决策的理性模型研究

在本书的第三章中，笔者提出了农户子女教育投资决策的分析框架，该框架构建了影响因素、家长（子女）意愿、行为结果三个层面，并从家庭特征、价值观念、学校教育环境、地域社会经济特征四个方面来描述农户子女教育投资决策的影响因素。但由于该框架涉及的变量较多，需要建立更为简洁的模型以利于开展实证研究。

基于上述考虑，本章提出了农户子女教育投资理性决策的行为模型。与以往的研究不同，该模型借鉴了结构方程模型（Structural Equation Modeling，SEM）的建模方法，描述了家长的经济权衡过程，同时将子女本人的上学意愿也纳入了模型中。利用实际调研的数据，相关研究假设得到了建议。

第一节　模型的提出

一、建模方法

迄今为止，我国关于农户家庭教育投资决策的实证研究尚不多见。这些研究采用的模型和分析方法一般是传统的回归方程（如孙志军，2003；谢霄亭、高梦滔，2004）。这些研究中的模型没有考虑过程变量，因而无法描述决策行为的过程。另外，这些模型往往只有单个因变量，也无法同时描述各因素之间互为因果的复杂关系。而结构方程模型（SEM）的建模思路和分析方法，可以避免上述缺陷。本章运用SEM方法构建了一个农户子女教育投资理性决策模型，从教育投资的成本和收益来描述教育投资决策的形成过程和结果。

当前，结构方程模型已经在管理学及行为研究中得到了广泛运用。

（一）SEM的要素与基本原理

SEM的要素可以概括为“3个2”（刘大维，1999）^[1]：两类变量、两类模型和两种路径。两类变量是指观测变量（Observed Variable）和潜变量（Latent Variable），前者是可以直接被准确观察或测量的变量，后者无法直接被观察到，需要通过多个观测变量间接反映；两类模型是指测量模型（Measurement Model）和结构模型（Structural Model，又称因果模型）；两种路径是指潜变量与观测变量之间的路径和潜变量之间的路径。与传统回归计量方程相比，SEM的最大区别在于增加了潜变量，而传统回归一般都是采用观测变量。

SEM需要构建测量模型和结构模型。测量模型反映潜在变量与观测变量之间的关系，通过测量模型可由观测变量定义潜在变量；结构模型表示潜在变量之间的关系。测量模型和结构模型的矩阵方程及其代表的含义如下所示：

测量模型：

结构模型：η＝Bη＋Γξ＋ζ　　　　　　　　（5.2）

其中，Y—内生观测指标；ΛY—Y指标与η潜变量的关系（因子载荷矩阵）；δ—Y的测量误差；

X—外源观测指标；ΛX—X指标与ξ潜变量的关系（因子载荷矩阵）；ε—X的测量误差；

η—内生潜变量；B—内生潜变量之间的关系；ξ—外源潜变量；

Γ—外源潜变量对内生潜变量的影响；ζ—模型所包含的变量及变量间关系所未能解释的部分。

（二）模型的评价

SEM在寻求理论模型与样本数据模型之间拟合程度的过程中阐释变量间的关系，一般用拟合指数对其拟合程度加以判断。常用的拟合指数主要有拟合优度的卡方检验（χ2 Goodness－of－Fit Test）、绝对拟合指数（Absolute Fit Indices）、增值拟合指数（Incremental Fit Indices，IFI）、离中参数（Relative Noncentrality Indices，RNI）、近似误差的均方根（Root Mean Square Error of Approximation，RMSEA）等。这些指标各有其优点和局限性，应该综合采用。

其中，χ2值是最常用的拟合度指标，若检验结果差异不显著且χ2值越接近于零，则表明模型拟合程度越好。但χ2值对样本量非常敏感，当样本量很大时，几乎所有的候选模型都很难通过，即χ2值拒绝模型的概率增大；反之，则模型很容易接受。为了减少绝对样本量的影响，考察χ2值与自由队的比值χ2/df，经验认为，该值小于3即认为拟合良好。

绝对拟合指数包括拟合优度指数（Goodness－of－Fit Index，GFI）和调整后的拟合优度指数（Adjusted Goodness－of－Fit Index，AGFI），它们表明观测变量的协方差矩阵在多大程度上被模型引申的协方差矩阵所预测。GFI 和AGFI的值阈在0—1之间，越接近1则意味着拟合越好。从经验上看，这两个值大于0.9即可说明模型拟合较好。

增值拟合指数是测量模型在零假设模型（所有变量之间均无任何关系的模型，Null－Model）上的改善程度。常用的有规范拟合指数（Normed Fit Index，NFI）、非规范拟合指数（Non－Normed Fit Index，NNFI，因由Tucker和Lewis提出，故又称TLI）、比较拟合指数（Comparative Fit Index，CFI）等。NNFI不受样本大小影响，能较好地惩罚复杂模型（执行“节俭”原则），并能准确分辨模型的不同偏差程度，是比较稳定的拟合指数。CFI不受样本大小影响，但不惩罚复杂模型。这些增值拟合指数的值阈均在0—1之间，越接近1表示拟合越好，大于0.9则可认为拟合良好。

RNI用来估计总体中理论模型与实际数据之间的差距函数，它的值阈并没有限制，若限制在0—1，则RNI与CFI的值完全相同。但有一点不同在于：CFI一般适用于日常研究模型的评价，而RNI则更多用于模拟数据的研究。

对于RMSEA，其取值在0.05以下时，表示模型拟合良好。

（三）SEM的优点

概括来讲，与传统回归方法相比，SEM具有以下特点：

1.可同时考虑与处理多个因变量

传统回归方法在考察某个因变量的影响因素时，忽略了其他因变量的存在及其影响；SEM的结构模型能将多个因变量通盘考虑，牵一发而动全身。

2.允许自变量和因变量有测量误差

传统回归模型假定自变量是没有测量误差的。比如：传统经济计量中的常见自变量往往是收入、人口数、耕地面积、性别等“客观性”变量；但SEM测量模型自变量可以是态度、意愿等“主观性”变量，允许存在测量误差。

3.允许潜变量由多个可观测指标（Item）构成（与因子分析类似），并可同时估计指标变量的信度及效度

SEM可以允许较复杂的测量，测量模型中用多个可观测指标测量一个潜变量；而在传统计量模型中，对于无法直接获得的变量，往往是通过一个指标作为代理（Proxy）来测量。比如，农业劳动的机会成本，用当地制造业工人平均年工资水平代替，可能存在很大的误差。如果采用SEM方法，可以同时从多个角度测量机会成本，降低了测量误差。对于一些内涵复杂的潜变量（如：功利主义观），其定义有很多种，概念上也有多个层面，传统的计量方法无法测量和界定，SEM测量模型则可以分辨概念上的微妙之处。

4.可以估计整个模型（包括多个方程组的整体）的拟合程度

SEM提供了多个指标测量整体模型的拟合程度，而传统回归则能给出单个方程的拟合程度，无法同时评价因果关系较为复杂的多个回归方程的拟合程度。因此，SEM对于包含较为复杂关系的理论模型的检验，作用独特。

二、模型描述

在第三章所提出的农户子女教育投资决策的分析框架的基础上，本章提出了如图5.1所示的农户子女教育理性投资行为模型与假设。该模型主要分为三个层面：影响因素、行为意愿和结果。

图5.1　农户子女教育理性投资行为模型与假设

注：（＋）意味着正向假设关系，（－）意味着负向假设关系。

其中，影响因素包括：支付能力（学费负担指数）、社会经济因素（子女放弃学业时可能产生的农业劳动增收、本地兼业收入、外出务工收入）、家长心理预期因素（家长对教育投资收益的总体预期）、子女的主观评价因素（对学校的评价、升学机会的自我评价）。

行为意愿主要包括两个方面：家长对子女教育投资的感知机会成本和收益预期。此外，考虑到子女本人参与度在教育投资中的重要性，将子女本人的上学意愿也纳入进来。

结果变量则为子女教育投资强度。其定义在第四章中已有叙述，此不赘言。

模型中变量的基本关系包括：家长对子女教育投资的感知机会成本主要受到社会经济因素的影响；子女本人的上学意愿则受到子女主观评价因素的影响；家长对子女教育投资的收益预期受到家长对教育投资收益的总体预期及子女本人的上学意愿的影响；家长对子女教育投资的感知机会成本和收益预期、子女本人的上学意愿、支付能力最终影响了其对子女的教育投资。

第二节　研究假设

一、教育投资的成本与收益

人力资本投资的理论一般认为，教育投资的个人收益和成本都是以金钱回报来计量的，前者往往是个人及家庭在教育上的支出，如学费；后者往往是指个人收入增长中可以归因于个人教育投资的部分，一般以教育前后的工资报酬差异来计算（安雪慧，2002）。有学者还提出，除了因教育产生的学杂费、书本费、交通费、食宿费用外，还应考虑农户子女教育投资产生的机会成本，包括子女上学期间所放弃的收入和父母因子女上学耽搁工时或者放弃更高薪资的就业机会而失去的收入（徐剑锋、靳景玉，2004；刘纯阳等，2005）。我们在调查中也发现，农村学生辍学后的一个重要去向是外出打工，所以本书模型将教育的直接成本和机会成本一并纳入考虑。需要指出的是，考虑到家庭收入与支出分别对教育投资的作用是相反方向的，本模型将直接成本操作转化为“学杂费支出/家庭收入”。而机会成本则考虑包括子女上学所放弃的农业收入、在本地可能获得的非农业（如副业）收入及去外地打工所获得的工资收入，均以年为周期估算。

教育的收益实际上是预期收益，因为决策者投资时无法确切地知道收益水平。除了通常的经济收益外，还有人提出“精神收益”也不能忽视。如刘纯阳等（2005）提出，教育投资成功后的非货币性收益———心理满足感，也是家长对教育投资的重要动机。但他们所提到的心理满足感仍来源于社会地位的升迁、良好的工作条件和生活环境，以及周全的社会保障服务等物质化因素；而且，非货币化的收益既不稳定，又难以测量，所以本研究中仍只考虑经济收益。但与以往人力资本研究中所采用的工资报酬水平来计量经济收益所不同的是，本书模型从家长对子女受教育后的收益变化的预期差异程度来衡量预期收益，这能在一定程度上反映出家长的个体差异，也避免了测量预期工资报酬水平的困难。

我们认为，对子女教育投资的回报预期在很大程度上是由家长对教育本身是否抱有功利态度而决定的。家长越认为教育能改变命运带来物质回报，越有可能对子女寄予希望。2000年以来的大学扩招导致大学生就业难，即使就业，报酬也偏低，这在一定程度上改变了很多家长对教育回报的总体预期，进而可能对自己子女的教育回报预期产生影响。

二、子女本人的作用

许多关于农村教育的调查表明，农村学生辍学的一个重要的原因是厌学（如项丽萍，2005；谭咏梅，2001），可见，学生是教育投资完成的必要主体，以往的研究没有将子女本人的意愿纳入投资决策中（如孙志军，2003）。我们认为，尽管对未成年的子女而言，厌学可能只是一个无意识的过程，但其潜意识里仍然可能有理性抉择的成分。在调查中我们了解到，子女往往比较在意学校环境，对学校环境的排斥或认同感，会对他们是否愿意在校产生直接影响。另外，学生本人对自己能否升学也有一个基本预期，这些构成了子女理性决策的层面。

三、子女教育投资

前面第四章中已经定义了“子女教育投资强度”，它可以测量以家庭为单位的子女教育投资行为。具体计算公式为：

子女教育投资强度＝

综上所述，可以提出以下假设：

首先，关于教育投资的直接成本，包括：

H1：农户家庭学费负担指数越高，对子女的教育投资强度越小。

其次，关于教育投资中的感知机会成本，我们假设：

H2a：农业劳动力增收越多，家长感知的教育机会成本越大。

H2b：本地兼业机会越多，家长感知的教育机会成本越大。

H2c：外出务工机会越多，家长感知的教育机会成本越大。

关于子女教育投资的预期收益，我们假设：

H3：家长对教育投资回报的总体预期越高，对子女的教育投资收益预期也越高。

H4：子女本人的上学意愿越强，家长对子女的教育投资收益预期也越高。

关于子女本人在教育投资决策中的作用，有以下假设：

H5：子女对学校的评价越高，其上学意愿也越强。

H6：子女对自己升学机会的评价越高，其上学意愿也越强。

最后，感知机会成本、教育投资收益预期和子女上学意愿都会影响到家长对子女的教育投资，因此可以假设：

H7：家长感知的机会成本越高，对子女的教育投资强度就越小。

H8：家长的教育投资收益预期越高，对子女的教育投资强度就越大。

H9：子女上学意愿越强，家长对子女的教育投资强度就越大。

第三节　变量含义与测量

调研问卷中包括了测量本模型所需变量的问题（条目）。需要测量的变量大致可以分为客观性变量和主观性变量两类。

客观性变量是反映客观事实的，如家庭收入、学杂费、子女受教育年限等，这一类变量可以直接采用调研数据，一般用单个直白式问题获得数据。

表5.1　客观变量的测量

主观性变量则反映受访者的态度、预期等心理主观评价，如家长对教育投资的收益预期、子女对自己升学机会的判断等。这类对心理评价的测量采用了心理学中常见的7级Likert量表，“1”表示“最不好（最不可能）”，“7”表示“最好（最可能）”，逐步递进。其中，一些主观性变量含义较为简单，如子女辍学能获得的预期收入，用单个问题（Single Item）即可获得观测值；还有一些含义较为复杂的主观性变量，则采用了多个问题（Multi－Item）来测量。单条目变量与多条目变量的具体含义分别见表5.2与表5.3。

表5.2　单条目主观变量的测量

注：①＊使用7级Likert量表，“1”表示“完全不同意（或不可能）”，“7”表示“完全同意（或一定会）”。
②☆根据子女当前的情况选择：若当前正在上学，则选择与其一致的学历阶段；若已经辍学，则按其辍学时的学历阶段。

表5.3　多条目主观变量的测量

注：①＊使用7级Likert量表，“1”表示“完全不同意”，“7”表示“完全同意”。
②☆使用7级Likert量表，“1”表示“完全不满意”，“7”表示“完全满意”。

第四节　数据分析与假设检验结果

结构方程模型分为测量模型（Measurement Model）和结构模型（Structural Model）。测量模型是为了测试度量潜变量（Latent Variable）的多个量表的有效性。结构模型则测量结构（因果路径图）的有效性。在图5.1所示模型中，有三个潜变量，都分别采用了多个条目来测量（如表5.3所示）。首先应该检验这些量表的有效性，即信度与效度检验。

一、信度与效度检验

信度（Reliability）与效度（Validity）检验是心理及态度测量中最常见的量表可靠性检验方法。信度检验是为了检测量表（Item）的内部一致性（Internal Consistency），确保这些测量同一概念（Construct，在本章模型中指多测量条目的变量）的多个量表的分值可以相加并平均，一般通过Cronbach’s alpha值进行判断。经验认为，当该值大于0.6时，可认为其信度是可以接受的。效度检验是检验单个量表能否表达所要测量的概念的含义，可以通过计算因子载荷（Factorial Loading）或标准化回归系数进行判断。有关的定义和方法可以参见《心理测量》一书^[2]。

信度与效度检验有三个变量：感知机会成本、对教育投资收益的总体预期和子女对学校的评价。这三个变量有着多维的内涵，很难用单个条目来测量，因此都采用了多个测量条目。我们采用统计软件SPSS11.0来检验量表的信度，采用结构方程模型软件AMOS5.0检验量表的一致效度（Convergent Validity）。运算结果如表5.4所示。按照因子载荷不低于0.50，Cronbach’s alpha不低于0.6的近似经验标准，这些条目表现出了较好的信度和效度，因此可以认为这些测量条目基本上是可靠、有效的。

表5.4　多条目变量的信度与效度检验

续表

二、变量的描述性统计

图5.1中各变量的描述性统计指标如表5.5所示。

表5.5　变量的描述性统计

需要说明的是，多条目的变量值采用各条目值的均数来代替。从表5.5中可以看出，农户家长对子女教育投资的感知机会成本的看法，总体上中性偏低（4为中间值），即对家长而言，子女弃学从事农业或其他行业赚钱获得的收益并不太重要。从调研中我们了解到，即使一些经济条件不好的家庭，家长也不太认同子女弃学能为家里做多大贡献，一方面可能是因为弃学子女很难获得收入较好的工作机会；另一方面可能因为家长在潜意识里考虑了子女弃学的“精神损失”（如家长的歉疚感），从而削弱了以经济收入为主要特征的“机会成本”。从影响感知机会成本的三个因素看，子女辍学可能带来的平均农业收入、本地兼业收入、外出打工收入分别占样本农户家庭年平均收入（7636元）的12%、41%、99%，对农户家庭的经济收入影响较大，从这个角度看，子女教育投资的经济机会成本水平较高。但这三项预期收入均为估计数，而且变异程度较高（变异系数分别为3.62、1.14、0.58），对家长感知机会成本的影响究竟如何，还需要进行进一步的路径分析。

对教育投资收益的总体预期反映了农户家长对教育投资回报水平的总体看法，而子女教育投资收益预期则反映了家长对自己子女教育投资回报的看法。样本数据的均值分别为4.5259、4.0700，都呈现出中立水平；对自己子女教育投资预期回报的均值稍低，表明农户家长对自己子女的看法稍偏保守。

学费负担指数反映了子女教育投资支出相对于家庭收入的水平。样本均值为0.2676，说明农户家庭收入平均有超过1/4用于子女教育。这一数据远远高于2005年全国农村居民家庭平均每人生活消费支出构成中“文教娱乐用品及服务”占11.56%的比例（中国统计年鉴2006，国家统计局）。

子女的教育投资强度平均为1.0223（大于1是因为很多子女不足7岁就已入学），表明平均而言，调研农户的子女在学龄期间都接受了学校教育。

表5.5仅仅对模型变量作了描述，还无法揭示变量之间的关系，需要作进一步的分析。

三、模型及假设检验

运用AMOS5.0软件，我们检验如图5.1所示的结构模型。

（一）全部样本数据的检验

路径分析的结果如表5.6所示。模型拟合指标χ2/df、RMSEA（Root Mean Square Error of Approximation）、GFI（Goodness－of－Fit Index）、经调整后的AGFI（Adjusted Goodness－of－Fit Index）、NFI（Normed Fit Index）、CFI（Comparative Fit Index）、IFI（Incremental Fit Index）也基本符合经验标准，表明该模型在整体上是可以被接受的。

从表5.6中可以看出，多数研究假设得到了支持，但仍有H1、H2a及H7共3个假设没有被支持。分析表明，学费负担指数没有对子女的教育投资行为产生影响（P＝0.524）。本调查所访问的农户家长平均年龄在40岁左右，在多数情况下，其子女处于义务教育阶段学龄，此阶段的学杂费近年来比较低。分析表明，本研究中样本户的负担指数（年均学费支出/年均家庭收入）平均值为0.27，最大值为2.09，最小值为0.01。此前也有学者指出，除了极度贫困的家庭（年收入在200元以下），经济贫困不是全国范围内少年儿童失学的主要原因（夏鞍宁、吴异光，1996），我们的研究也提供了类似的观点。

表5.6　结构模型的路径系数与假设检验

续表

注：①＊＊＊表示P值低于0.001。
②χ2/df＝190.274/50＝3.8055，GFI＝0.91，AGFI＝0.92，NFI＝0.94，CFI＝0.96，IFI＝0.90，RMSEA＝0.04。

数据也表明，家长不认为学生上学而放弃预期的农业收入会增强“感知机会成本”。本研究中样本农户的“农业劳动增收”平均值仅为948元，可能由于其数额相对于样本农户家庭年平均收入（7636元）来说较小，家长不认为务农收入是教育投资的机会成本之一。

最后，教育投资存在的“机会成本”没有对教育投资行为产生显著的影响（H7）。这说明，总的来说，农村家长对子女的教育投资不太考虑“机会成本”，这与以前一些学者的观点不太相同。

（二）男女孩分组的模型检验

对男女孩分组讨论是农村教育研究中常见的做法，因为可能对于父母而言，子女的性别是他们在教育投入中的考虑因素。照此思路，我们也将全部样本分为男孩和女孩两组，分别进行模型的检验，其路径系数如表5.7所示。

从表5.7中可以看出，分组样本与全部样本的分析结果（见表5.6）大部分类似。但我们也发现有几处差异：

首先，“农业劳动增收”对“感知机会成本”的影响对男孩组而言是正向的，但对女孩组而言则不显著。这说明农村家长仍然将男孩视为重要的农业劳动力，男孩越能帮忙操持农活，则家长感到的依赖性就越强，其感觉的上学“机会成本”也就越高。

其次，教育投资的“感知机会成本”对教育投资强度的影响在男孩组中为正向，但在女孩组中则为负向。这说明农村家长对男孩女孩的教育投资的态度有所差异：对男孩不太考虑“机会成本”而只考虑“预期收益”，男孩若辍学赚钱越多，家长反而越有可能供其上学；对女孩则既考虑教育投资的成本，又考虑了预期收益。这在一定程度上说明在教育投资上农村家长的性别偏见。

表5.7　模型检验的分组比较：男孩和女孩的差异

注：＊＊＊表示P值低于0.001。

第五节　本章小结

基于结构方程模型的方法，本章提出并检验了农村家长对子女教育投资决策的理性模型。该模型将教育投资中的成本，特别是将机会成本和预期收益概念化，并考虑了子女的意愿在教育投资中的作用，这极大地推进了现有相关研究。通过大样本农户调研数据验证与分析，本研究的主要观点有：

第一，教育投资的直接成本作用甚微。

本书的研究表明，不管是对于男孩还是女孩，学杂费负担指数对教育投资的作用都不显著。当然，样本户中多数子女处于义务教育学龄阶段，该阶段的教育支出不大，这可能制约了结论的一般性。在未来的研究中，可以更多地考查高中及大学阶段的教育投资支出对教育投资的影响。

第二，教育投资决策中存在感知机会成本，对女孩教育投资有负面作用，但对男孩影响较小。

本书证实，子女上学所放弃的本地兼业收入及去外地打工所获得的工资收入都能显著影响到父母的“感知机会成本”，总的来说，这些“潜在收入”越高，家长“感知机会成本”越大。性别分组对比分析进一步表明，对女孩而言，家长的“感知机会成本”对女孩的教育投资造成了负面影响，家长感知的机会成本越高，对女孩的教育投资越少；而对男孩而言，家长的“感知机会成本”没有减弱教育投资，反而对教育投资产生了较弱的促进作用。

第三，家长对子女教育投资收益预期明显受到教育投资“总体预期”的影响。

以前的一些观点认为，当前就业形势的恶化已经改变了部分家长对教育回报的期望。本书的研究佐证了这种提法，而且，家长对总体形势的判断，最终会对教育投资产生影响。

第四，子女自身的上学意愿会影响家长对他（她）的教育投资。

子女自身的上学意愿来自于升学机会预期和对学校的评价。子女认为自己能够升学，则对学校的环境、老师评价越高，越希望上学。子女的上学意愿不仅直接影响到了自己在学校停留（接受教育）的时间，还通过影响家长对他（她）的回报期望，最终间接影响到了家长对其付出的教育投资。

本章的研究揭示了农户教育投资决策行为中家长关于“成本”和“收益”的“理性权衡”过程。义务教育阶段的学费负担成本对教育投资的影响很小，而打工机会导致的“机会成本”却很重要。所以普通教育工作的重心应该从减轻农村学生学杂费的经费保障层面，逐渐转向社会就业务工政策的综合治理上，应该考虑出台相关政策，限制义务教育学龄的少年儿童特别是女孩的用工，以降低家长的“感知机会成本”。另外，应该大力宣传“科教兴农”思想，大力发展农村职业技术教育，服务于农村和农业，提高教育的重要性认识，以增强农村家长对教育（包括基础教育）的“预期收益”认知，最终促进农村教育投资水平的提升。

【注释】

[1]刘大维.结构方程模型在跨文化心理学研究中的应用.心理学动态，1999（2）

[2]金瑜.心理测量.华东师范大学出版社，2005