分位数回归在薪酬差距中应用.docxVIP

分位数回归在薪酬差距中应用

一、引言

薪酬差距是劳动经济学与社会学领域的核心议题之一。从个体层面看，它反映了劳动者在教育、技能、经验等方面的差异；从社会层面看，它关联着收入分配公平性、阶层流动可能性等关键问题。传统研究中，学者多采用普通最小二乘法（OLS）分析薪酬影响因素，但这种方法仅关注均值层面的关系，难以捕捉薪酬分布不同位置（如高收入群体与低收入群体）的异质性特征。例如，教育年限对高收入者的边际贡献可能远高于低收入者，性别差异在薪酬分布顶端与底端的表现也可能截然不同——这些细节在均值回归中会被“平均”掩盖。分位数回归（QuantileRegression）作为一种能系统分析解释变量在被解释变量条件分布不同位置影响的统计方法，恰好弥补了这一缺陷。它通过估计多个分位点（如10%、50%、90%分位）的回归系数，揭示薪酬差距在不同收入层级的形成机制，为理解薪酬分布的“全貌”提供了更精准的工具。本文将围绕分位数回归的原理、在薪酬差距研究中的独特价值及具体应用展开探讨，以期为相关政策制定与学术研究提供新视角。

二、分位数回归：理解薪酬分布的“多面镜”

（一）分位数回归的核心逻辑与优势

要理解分位数回归的独特性，需先回顾传统均值回归的局限性。普通最小二乘法通过最小化实际值与预测值的误差平方和，得到解释变量对被解释变量均值的影响。这种方法假设误差项服从正态分布，且解释变量的影响在整个分布中均匀一致。但现实中，薪酬分布往往呈现“右偏”特征（即少数高收入者拉高整体均值），且不同收入群体的影响因素差异显著。例如，工作经验对底层劳动者的薪酬提升可能有限，但对中层管理者的薪酬增长却有显著促进作用；行业属性对顶端收入者的影响可能远超底端——这些差异在均值回归中会被“平均化”处理，导致研究结论偏离真实场景。

分位数回归则突破了这一限制。它通过最小化加权绝对误差（不同分位点赋予误差不同权重），直接估计解释变量在被解释变量条件分布的特定分位点（如τ=0.1、0.5、0.9）上的边际效应。例如，当τ=0.1时，模型关注的是收入最低10%群体的影响因素；τ=0.9时，则聚焦收入最高10%群体。这种“分位点特异性”使得研究者能观察到，同一变量（如教育水平）在不同收入层级的作用方向与强度是否存在差异，从而更细致地刻画薪酬分布的“内部结构”。

（二）分位数回归与薪酬差距研究的适配性

薪酬差距的本质是收入分布的不平等，这种不平等既体现在均值差异（如不同性别、行业的平均薪酬差），更体现在分布形态的差异（如高收入群体的差距是否比低收入群体更大）。分位数回归的适配性主要体现在三方面：

其一，捕捉异质性影响。例如，性别歧视可能在低收入群体中表现为“起薪压制”（即女性初始薪酬更低），而在高收入群体中表现为“晋升瓶颈”（即女性难以进入高薪岗位）。通过比较不同分位点的性别系数，研究者可区分这两种不同机制的作用强度。

其二，揭示结构性差异。薪酬分布的“尾部”（即极高或极低收入群体）往往蕴含关键信息：高收入群体的薪酬增长是否更多依赖稀缺技能？低收入群体的薪酬停滞是否与教育投入不足相关？分位数回归通过分析尾部数据的影响因素，能帮助识别薪酬差距的“结构性痛点”。

其三，提升政策针对性。若仅基于均值回归结论制定政策（如提高最低工资），可能无法解决高收入群体的机会不平等问题；而分位数回归的分层结论，能为“精准施策”提供依据——例如，针对低收入群体加强职业技能培训，针对高收入群体完善晋升公平机制。

三、分位数回归在薪酬差距研究中的具体应用

（一）数据与变量选择：构建研究基础

在实际应用中，分位数回归的有效性依赖于高质量数据与合理的变量设计。数据方面，通常采用微观调查数据（如劳动力市场追踪调查、企业薪酬数据库等），样本需覆盖不同行业、职业、教育水平及性别群体，以确保分布的全面性。变量选择需兼顾“个体特征”与“外部环境”两类因素：个体特征包括教育年限、工作经验、职业类型等“可观测技能”变量，以及性别、户籍等“潜在歧视”变量；外部环境包括行业属性（如制造业与服务业）、企业规模（如中小企业与大型企业）、地区经济水平（如东部与中西部）等“结构性因素”。

例如，在某研究中，研究者选取教育年限（X1）、工作经验（X2）、性别（X3，虚拟变量，1=男性）、行业（X4，虚拟变量，1=高新技术行业）作为解释变量，被解释变量为小时薪酬（Y）。通过估计τ=0.1（低收入群体）、τ=0.5（中等收入群体）、τ=0.9（高收入群体）三个分位点的回归系数，分析各变量在不同收入层级的影响差异。

（二）实证结果分析：从均值到分位的视角转换

假设通过分位数回归得到以下典型结果（为便于理解，此处为示意性描述）：

教育年限对τ=0.1分位的系数为0.3（即每增加1年教育，低收入群体小时薪酬增长0.3元），对τ=0.9分位的系数为1