用线性模型统计分析论文

摘要：结合应用实例，探讨定性随机变量之间是否独立性检验方法、列联表、对数线性模型、Logistic模型的实施过程。今天小编为大家精心挑选了关于《用线性模型统计分析论文(精选3篇)》，仅供参考，希望能够帮助到大家。

用线性模型统计分析论文 篇1：

多层线性模型在管理学研究中的应用

在管理学实证研究中，广泛存在着多层数据结构的样本特征和背景效应的问题，但一直没有有效的研究方法对此类问题进行深入的分析。本文通过介绍多层分析这一统计分析方法的应用原理､基本模型和样本要求，阐释其在管理学研究中的应用前景，为管理学问题的研究引入新的分析视角和研究方法。

[关键词]管理学前沿；多层线性分析；应用展望

周叶芹(1964—)，女，浙江嵊州人，浙江经济职业技术学院副教授。(浙江杭州 310018)

作为一门综合性的学科，管理学尚未形成其统一的或独特的研究范式，它的发展也正是不断引入其它学科研究方法的过程，如经济学､心理学和社会学等等。其中，尤其是量化研究方法的应用，使得管理科学的研究更加具有科学性和客观性，进一步地提高了科学理论或研究结果的逼真度。

20世纪70年代以来，随着EM(Expectation Maximiza-tion)算法的出现和计算机技术的飞速发展，社会科学研究方法在西方经历了一场空前的变革，新一代的统计和测量理论及方法不断涌现。在统计分析方法中最突出的发展当属“结构方程建模”和“多层分析”的发展和应用。本文旨在通过介绍多层线性模型(Hierarchical Linear Models，HLM)这一高级统计分析方法的应用基础和统计原理，及列举管理科学中具有相似数据特征结构的研究问题，揭示出该研究方法在管理科学中的应用前景。

一､多层数据结构的普遍性

(一)横截面数据的多层结构特征

在社会科学中，很多研究问题都体现为多水平的､多层的数据结构，如在教育心理学研究中，为保证研究的效度，我们常常需要在不同的学校或不同的班级中进行取样，这时学生镶嵌于班级中，而班级又镶嵌于学校的背景中，因此可以将学生作为数据结构的第一层，班级和学校则分别作为数据结构的第二层和第三层，从而构成多层嵌套的数据结构。传统的线性模型中，如方差分析或回归分析，往往只能对其中某一层的数据进行描述或提出一系列的研究问题和假设，但是却不能对涉及两层或多层数据的问题做综合性的研究。在随着科学研究的深入，目前研究者更为感兴趣的则是学生层的变量与班级或学校层的变量之间的交互作用。比如，学生间个体特征的变异水平在不同班级或学校之间是否相同，即作为“背景”的班级或学校层变量是否对学生层变量的变异水平具有显著的影响。同时，在学生数据层中，不同变量之间的关系也可能因班级或学校的不同而发生变化，因此，这些学生层变量的变异便可以解释为班级或学校层变量的函数。

相似的数据结构在管理学研究领域中也经常出现，例如，在实证分析中为了符合研究对样本数量的要求，研究者经常会在不同的企业中对其员工发放问卷或统计相关信息，而员工又镶嵌于不同的团队或部门，有着不同的团队或部门领导，同时这些团队或部门又镶嵌于不同的企业。企业或团队层中不同的领导风格或激励机制，往往对员工行为的选择有着重要的作用。因此，员工层变量结果中的差异，或者变量之间的关系的差异，可以解释为团队层上或企业层上的预测变量的函数。例如，在研究组织文化和组织管理者的领导风格时，我们就很想了解组织成员的某种行为或特征与其工作绩效间作用关系的差异，有多少可以被组织文化或领导风格所解释。

(二)纵向研究数据的多层结构特征

另一种类型的两层镶嵌数据结构来自纵向研究或重复测量研究。在纵向研究中，以不同观测时点的追踪记录结果为第一层数据，以样本的个体特征或不同的实验处理为第二层数据，从而构成两层数据结构。与传统的统计分析方法相比，多层线性模型在数据的基本假设和研究问题的范围上都有显著的扩展。传统统计分析方法在进行纵向研究时，是以样本数据的同方差和无自相关为前提假设的，如方差分析和多元回归分析。但是在实际研究中，这些假设很难成立，例如，同一个体的多次追踪数据之间往往具有更多的相似性，在同一时间点观测到的数据也可能存在共同方向上的系统误差，这使得随机误差项的无自相关假设受到了威胁。同时，随着时间的推移，误差项的方差也会发生一定的变化，从而影响同方差的假设。而多层线性模型则不需要以同方差和无自相关为前提假设，因此该方法更适合于进行纵向研究。传统统计方法主要用于比较各次观测结果间差异性是否显著，或前期观测结果对后期观测结果的预测程度，而多层线性模型则可以对多层结构的样本数据进行更广泛的研究，尤其是不同层变量之间的交互作用，例如个体间某些特征的差异是否显著地解释了其发展趋势的不同。

同样，在进行团队研究的过程中，团队发展过程的研究已经成为该领域的前沿问题，这种对发展过程进行动态研究的问题能够在HLM纵向研究中得到很好地分析和解释，探究团队的组织结构､制度安排和沟通模式等团队层变量如何解释团队成长过程和团队绩效。

二､HLM的统计原理及基本形式

(一)多层线性模型的分析原理简述

跨层级变量间的作用关系，在社会科学研究中常被称为组效应或者背景效应，因为在社会科学研究的基本假设中，认为个体并不是生活在真空中，个体的行为既受到其自身个体特征的影响，也受到其所处环境的影响。研究者一直试图把个体效应与组效应加以区分。多层分析采用“回归的回归”(regression of regression)的运算原理，对这种个体效应和组效应进行分离，基本分析思想是这样的:首先对个体层变量进行回归，保存下回归系数，并将这些统计量与在第二层所观察到的变量混合在一起进行回顾分析。例如Xi为个体层的自变量，Yi是个体层的因变量，Wj是第二层上的变量，对第一层变量来说，建立回归方程:

Y_ij=β_oj+β_1jX_ij+γ_ij

其中i是第一层个体编号，j为第二层组织编号，在每一组内做同样的回过后，得出β_0j和β_0j，并将其当作因变量，W_j作为自变量，即再建立两个新的回归方程。

虽然多层线性模型的参数估计方法在概念上与进行多次回归的方法十分相似，但是两者的统计估计和验证方法却是不同的，并且多层线性模型的参数估计方法更加稳健。传统线性分析(比如，线性回归和ANOVA)使用的是普通最小二乘法(Ordinary Least Squares Estima-tion，OLS)进行参数估计。多层线性回归所使用的是收缩估计(Shrinkage Estimation)，它比使用OLS进行“回归的回归”更为稳定或精确。这是因为，当在某些第二层单位中只有少量的个体样本时，比如在研究样本中，由于某种原因某些团队中只有几个成员，而其他的团队则有很多成员时，以小样本为基础的回归估计则是不稳定的。这种情况下，多层线性模型采用两种估计方法的加权综合值作为最后的估计结果。其一是来自每个工作小组的OLS估计，另一个是第二层或小组间数据的加权最小二乘(Weighted Least Squares，WLS)估计。最后的估计根据不同团队的样本大小进行加权，以上这两种估计中，样本规模较小者更为依赖第二层的WLS估计，而样本规模大的则更为依赖第一层的OLS估计。

(二)多层线性分析的建模基本形式

与结构方程建模相似的是多层分析同样具有一个完整模型(Full Model)，即模型中包含第一层的预测变量，也包含第二层的预测变量，这样就可以通过理论构建来说明或解释因变量的总体变异是怎样受第一层和第二层的因素影响，而其他的模型，如零模型､随机效应回归模型和发展模型则都是根据具体的研究需要由这一完整模型变化而来的。

为了更好的理解前文的“统计原理”，这里给出最简单的完整模型，即只有一个第一层预测变量和一个第二层预测变量。

第一层:

Y_ij=β_0j+β_1jX_ij+γ_ij(1)

第二层:

β_0j=γ₀₀+γ₀₁W_1j+μ_0j(2)

β_1j=γ₁₀+γ₁₁W_1j+μ_1j (3)

X_i､Y_i､W_j､β_0j和β_1j的含义在前文都已经进行了介绍，需要指出的是:

γ₀₀为第二层的方程(2)的截距，可以解释为所有第二层单位的总体平均数；

γ_0j为第二层的方程(2)的回归系数，可以解释为第二层变量W对第一层回归式(1)中截距项差异的影响；

μ_0j和μ_1j分别表示第二层方程(2)和(3)的残差或随机项，即第二层方程未被解释的部分；

γ₁₀是方程(3)的截距，可以解释为所有第二层的单位在第一层的斜率的总体平均数；

γ₁₁是方程(3)的回归斜率，可以解释为第二层变量W对第一层变量X对Y作用关系差异的影响。

如果在第一层有更多的解释变量，那么，在方程(1)则可以增加第二､第三个变量X_2i和X_3i，相对应的回归系数就是β_2j和β_3j，依此类推。同时在第二层方程中也可以存在多个预测变量Wkj，但在方程(2)和(3)所使用的第二层的预测变量不一定是相同的。

在零模型的方程中，不存在第一层和第二层的任何解释变量，其中只关心因变量的总体变异中有多大比例是由第二层的差异所造成的，因此这种方法也成为方差成分分析。随机效应回归模型则只包含第一层的解释变量，将截距项和回归系数均作为随机的而不是固定的，研究截距项和斜率在第二层上的变异。在发展模型中，对同一样本的多次观察数据构成模型的第一层数据，样本的个体特征变量构成模型的第二层数据，其中在第一层方程中只将时间变量作为观测结果的解释变量建立发展模型，即将X_i替换为时间变量，进而分析第二层变量对第一层变量发展趋势的影响。

三､多层线性分析的样本要求

多层线性分析对样本量的要求与传统统计研究的要求相似，主要体现在统计推断和假设检验，以及样本个数与变量个数间的比例上，例如在统计推断和假设检验中，一般认为随机抽取的样本个数在30个以上就能符合正态分布的基本假设，因此多层线性分析也要符合这一基本要求。同时，在统计或计量分析中，一般要求模型中的变量个数和样本个数的比例是1:10，这一比例要求同样也适用于多层线性模型的方法。

但是，由于多层分析在分析思想和参数估计方法上的特殊性，使得样本量的要求在不同层数据中有所侧重。一般来说，多层分析的重点在于研究不同层变量之间的交互作用，因此高层样本量的要求比第一层样本量的要求更高。以员工镶嵌于团队的两层数据为例，员工为第一层，团队为第二层，由于HLM使用的是收缩估计，收缩估计的方法是用两层估计加权得到一个更好的估计。在这种情况下，即使有的团队仅有几个人，HLM也可以借助第二层人多的团队的估计优势来估计人少的团队。因此，研究并不需要每个团队都至少有30个以上的员工，但是第二层的样本容量要符合以上两个方面的条件。同时，如果研究仅仅是为了解释方差是来自高层或底层，而不涉及假设检验，就无需遵从上面提到的两个样本量的条件。

四､结语

综上所述，无论是在横界面数据或是纵向数据中，多层结构特征是广泛存在的，如何分析这类跨层级间变量的作用关系也已成为了包括管理学在内的众多社会科学的前沿问题。多层线性模型的发展有效地克服了经典统计技术在处理多层结构数据时所存在的局限以及可能产生的对分析结果的曲解。因此，这一新型统计技术引入，无疑会有助于提高管理科学研究的准确性。同时，多层分析研究交互作用的思想，也能够增加管理学研究的分析视角，加深研究构思的深度，为更好地探究团队层､公司层变量或者管理政策对员工绩效的作用机制以及团队发展的相关研究，提供有力的分析工具。

[参考文献]

[1] 盖笑松，张向葵.多层线性模型在纵向研究中的运用[J].心理科学，2005，(2).[2]雷雳，张雷.多层线性模型的原理及应用[J].心里学研究，2002，(2).[3]刘红云，孟庆茂.纵向数据分析方法[J].心理科学进展，2003，(5).[4] 刘红云，孟庆茂.教育和心理研究中的多层线性模型[J].心理科学进展，2002，(2).[5]张雷，雷雳，郭伯良.多层线性模型应用[M].北京:教育科学出版社，2005.

【责任编辑:龙迪勇】

作者：周叶芹

用线性模型统计分析论文 篇2：

教学质量评价中定性随机变量统计分析

摘要：结合应用实例，探讨定性随机变量之间是否独立性检验方法、列联表、对数线性模型、Logistic模型的实施过程。

关键词：定性资料；列联表；对数线性模型；Logistic模型

文献标识码：A

doi：10.19311/j.cnki.16723198.2017.01.070

1问题提出

本科生教学质量评价中除了涉及少量的定量变量（或称间隔尺度变量）外，往往更多地研究定性变量（或称名义尺度变量），这些定性变量往往只有各种状态的区别而无数量上的区别，例如学生的性别、教师职称等。

在概率统计中描述两个随机的相关程度是用线性相关系数，为了避免术语上的混淆，描述两个定性随机变量之间的相关性是指广义的相关性，称为关联性，两个定义随机变量之间的关联程度在某种意义上就是指的“不独立性”，如何直接对定性资料进行分析并给出两个定性变量之间是否獨立性检验？

先从引授实例切入：研讨优秀论文与依托科研的关系，这里用A表示是否获优，用B表示是否参加科研，假设从一批被调查的对象中得到的统计表，如表1所示。

3Logistic回归

对数线性模型是将列表中每格的概率（或理论频数）取对数后分解参数获得的，Logistic回归模型是将概率比取对数后，再进行参数化而获得的。在很多研究中概率比是常常遇到的，当因变量是一个多级分类的变量时，列联表就需要采用两两比较的方法。

Logistic回归要解决的问题与普通回归要解决的许多问题类似。比如在医药行业中，因变量y取0，1，…，g等g+1个不同的值，分别表示不同用药类型，y=0表示正常情况，y=1，…，g表示不同用药后的反应；药的剂量x1，性别x2，年龄x3，体重x4，血压x5，…等等为自变量x；显然因变量y与自变量x有关。很显然，这里因变量是定性的，自变量有定性的也有定量的，问这些自变量对一个定性变量的关系是否独立？不独立又会具有什么形式的联系？是线性的还是非线性的等等。

3.1Logit变换

在现实生活中常常会遇到这样的问题，即要研究某一事件A发生的概率p以及p值的大小与某些因素的关系，但由于p对x的变化在p=0或p=1的附近是缓慢的，或说不敏感的，比如像一个可靠度p已经是0.998的可靠系统，不管如何改善条件和系统结构，它的可靠度增长只能在0.000以后。于是人们就希望寻找一个形式相对较简单、且在p=0或p=1附近变化幅度较大、p的函数θ（p）。根据导数的意义，用dθ（p）dp来反映θ（p）在p附近的变化是很合适的，同时希望p=0或p=1，dθ（p）dp有较大的值，因此取

4结语

定性资料统计分析的内容丰富，方法实用，在教学质量评价实际工作中，对于列联表，可根据实际需要来选择模型，既可用对数线性模型也可用Logistic模型。研究表明了在对调查资料中进行定性随机变量之间的关联程度探讨分析时，实施数据挖掘，发现新的知识，是提高信息反馈的质量，提供决策参考的科学性与可靠性的有效途径。

参考文献

[1]（美）Mehmed kantardazic， DATA MINING concepts， Models， Methods， and Algorithms[M].北京：清华大学出版社，2003.

[2]邸凯昌.空间数据发掘与知识发现[M].武汉：武汉大学出版社，2000.

[3]高惠璇.统计计算[M].北京：北京大学出版社，1999.

[4]王中宇，夏新涛，朱坚民.测量不确定度的非统计理论[M].北京：国防工业出版社，2000.

[5]胡细宝，孙洪祥，王丽霞.概率论·数理统计·随机过程[M].北京：北京邮电大学出版社，2006.

作者：王涛

用线性模型统计分析论文 篇3：

基于广义分层线性模型的老年人养老居住意愿研究

摘 要：以中国老年健康影响因素跟踪调查（CLHLS）2018年的数据为基础，使用广义分层线性模型（GHLM）对我国老年人养老居住意愿的影响因素研究。结果表明，基本公共服务中的社会保障与就业服务、基本医疗卫生服务会影响老年人养老居住意愿;性别、年龄、教育年限、子女数量、子女给予经济支持、自理能力、经济状况等因素对老年人养老居住意愿产生显著影响，其中男性、居住在城镇的老年人更倾向选择机构养老居住，有配偶同住、与子女常聊天、子女给予经济支持、有自理能力的老年人会降低选择机构养老的可能性。

关键词：老年人;居住意愿;广义分层线性模型

0 引言

根据数据显示：至2018年，60周岁及以上老年人口超过2.4亿人，比重为17.9%，比上一年增加859万人。随着经济的发展，中国人口再生产类型的转变影响人口年龄结构的老化。在人口老龄化的背景下，国家和社会的养老压力日剧增加，很多学者对老年人养老居住进行实证研究，探讨影响老年人养老居住意愿的因素。从现有的研究来看，老年人居住意愿的影响因素主要分为四类，分别为个人、家庭、社会经济、健康状况。现阶段老年人主要以居家养老为主，而不太愿意选择养老机构居住。研究得知女性老年人比男性老年人更偏向与子女同住。老年人选择居家养老时更加重视子女感情上的孝道，子女给予经济支持并不能降低老年人选择养老机构居住。

婚姻状况、经济状况、自理能力是大多数研究中已经涉及的影响因素，但存在不同的研究结果。有配偶同住的老年人选择与子女居住的可能性更大，有学者持有不同观点，认为有配偶同住的老年人更倾向选择独居。经济状况较好、受教育程度高的老年人选择养老机构居住的可能性较大，有学者持有不同观点，经济状况较好的老年人更加倾向选择独居，也有研究认为经济状况对老年人居住意愿无关。自理能力较差的老年人选择家庭养老的可能性较大，但有学者提出不同观点，老年人自理能力弱化时，倾向于选择养老机构居住。约21%的老年人除了自我照顾以外，还希望子女、政府共同照顾，在经济水平较好的地区，受教育程度和社会养老条件对养老居住意愿产生显著影响，若教育水平持续完善，选择独居和机构养老居住意愿将会增加。

基于以上文献，研究结果存在不同观点，所以更加值得对老年人养老居住意愿进行探讨。有关老年人养老居住意愿研究大多考虑到了个人和社区层面，本研究考虑省级层面的基本公共服务是否对老年人养老居住意愿产生影响，并探讨影响养老居住意愿因素之间的联系。

1 数据选用与变量选择

1.1 数据选用

本文选用第一层个人层面数据使用2018年中国老年健康影响因素跟踪调查，该数据跟踪调查覆盖中国23个省份，该项目是国家社会科学基金下拨的国家重点委托项目资助，通过全面评估有较高的数据质量。首先对2018年CLHLS数据异常值和缺失值处理，原始数据（15874个）经过处理后得到有效样本（11386个）作为层1变量，省级层面数据来源于《2019年中国统计年鉴》，并将CLHLS中2018年调查的23个省份作为样本范围。

1.2 变量选择

1.2.1 第一层变量选择

本文將CLHLS问卷中收集到被访问者的居住意愿作为因变量，将居住意愿分为独居或与配偶居住、与子女居住、养老机构居住，并命名为选择1、2、3。层1数据中影响老年人居住意愿的变量主要分为人口、家庭、健康、经济因素。

（1）人口因素选取老年人的性别、年龄、教育年限、现居住地，其中现居住地分为城镇和农村，属于二分类变量。

（2）家庭因素选取老年人的婚姻状况、子女是否给予经济支持、与子女是否常聊天、子女数量，其中婚姻状况中是以问卷中“已婚并与配偶一同居住”来定义为有配偶同住，其它情况均为无配偶同住。

（3）健康因素有身体健康和精神抑郁两个方面，身体健康用自理能力来表示。

（4）经济因素选取老年人的经济自评、生活来源是否够用。

1.2.2 第二层变量选择

在第二层构建中选取社会保障与就业服务、基本医疗卫生、基础教育建立基本公共服务指标体系。

社会保障与就业服务用参加城镇基本养老保险人数、资助参加基本医疗保险人数、社会保障和就业经费支出、每千老年人口养老床位数、失业保险人数参保人数比重表示;基本医疗卫生用医疗卫生支出占财政支出的比重、医疗卫生机构、卫生人员表示;基础教育用教育经费支出占财政支出的比重、每十万人口小学和初中平均在校生数、小学初中师生比表示。将逆向指标正向化和各个指标准化处理后，通过因子分析法分别计算社会保障与就业服务、基本医疗卫生、基础教育的综合得分作为第二层自变量。

2 分析结果

广义分层线性模型是传统分层线性模型的推广，应用多层数据结构的统计分析方法。广义分层线性模型是同时考虑总体和个体因素的一种有效研究方法。本文将老年人居住意愿为三分类变量，传统的分层线性模型不适用于该数据特点，所以构建广义分层线性模型。养老居住意愿分为独居或与配偶居住、与子女居住、养老机构居住三种类别，其中选择养老机构居住作为参照类。使用HLM7.01软件处理数据，本文主要基于零模型和完全模型研究。

2.1 零模型

首先研究广义分层线性模型中的零模型，本文研究对象为老年人，他们来自于不同的省份，所以背景不同，老年人养老居住意愿的差异不能只认为一个层面的因素所影响。零模型的主要作用是检验是否可以使用分层线性模型研究影响老年人养老居住意愿的因素本文研究老年人养老居住意愿。

因变量是老年人养老居住意愿选择，通过零模型的分析结果得到信度检验选择1、选择2模型的样本均值分别为0.771、0.805，表示用样本的均值作为实际的均值越可靠。由表2结果得到选择1、选择2模型发生比分别为24.344、25.988，随机效应的方差分量分别为0.747、0.944，均通过1%的显著性检验，说明老年人养老居住意愿选择可能会受到个体层面和地区层面的影响，因此引入地区层面的解释变量是可行的。

2.2 完全模型

完全模型也称为完整模型，该模型是同时包含层1、层2变量，其中层1模型的变量对层2模型有影响。层1模型需要对自变量效应和截距的影响因素分析，同时截距是最有代表性体现老年人养老居住意愿的度量指标，说明层2的背景变量对截距有影响，所以将全部的层2变量放入层2的截距模型中。为了防止层1中的自变量可能有较强的自相关性，删除了层2模型的随机项，并将连续变量进行总体平均的中心化。

选择1表示选择独居或与配偶居住，选择2表示选择与子女居住，均以选择养老机构居住作为参照类，结果如表1所示。

（1）关于独居或与配偶居住还是选择养老机构居住，在公共服务因素中，社会保障与就业服务对数发生比为负值且显著，说明社会保障与就业服务对选择机构养老有正向促进作用。基本医疗卫生系数为正且显著。在人口因素中，男性老年人相比于女性老年人来说，更加倾向选择机构养老;年龄越大、教育程度越高、居住在城镇的老年人选择机构养老的可能性大于独居或与配偶居住的可能性。在家庭因素中，有配偶同住的老年人选择独居或与配偶居住的发生比是选择养老机构居住发生比的10.729倍，其中从各项影响因素的对数发生比来看，婚姻状况的发生比最大，说明婚姻状况对老年人居住意愿选择独居或与配偶居住，还是选择养老机构的影响最为突出;子女给予经济支持的对数发生比为正且显著，在相同条件下，选择独居或与配偶居住的发生比是选择养老机构发生比的1.967倍;同理，在其他情况不变的条件下，与子女常聊天的老年人降低了选择机构养老。在健康因素中，是否有自理能力对老年人居住意愿有一定的影响作用。在经济因素中，生活来源够用的老年人选择独居或与配偶居住的发生比是选择养老机构居住发生比的1.406倍。

（2）关于选择与子女居住还是选择养老机构居住，在公共服务因素中，社会保障与就业服务对老年人居住意愿有显著影响。在社会保障与就业服务越完善的情况下，老年人选择机构养老的发生比大于与子女居住的发生比，层2变量中的基本医疗卫生、基础教育均不产生显著影响。在人口因素中，男性老年人相比于女性老年人来说，选择养老机构居住的比例大于与子女居住的比例;年龄每增加一个单位，选择与子女居住的发生比是选择养老机构居住发生比的1.014倍;教育程度越高、居住在城镇的老年人选择与子女居住的意愿较低，更倾向选择机构养老。在家庭因素中，有配偶同住的老年人更愿意与子女居住，老年人和子女之间关系是否融洽对居住意愿选择有显著影响，与子女常聊天的老年人更加倾向选择与子女居住，不愿意选择养老机构居住;子女给予经济支持的老年人降低了选择机构养老。在健康因素中，是否有自理能力、是否感到孤单对老年人养老居住意愿有影响。经济因素对老年人选择与子女居住还是养老机构居住无显著影响。

3 结论

本文基于中国老年健康影响因素跟踪调查对我国23个省60岁及以上老年人养老居住意愿研究，从老年人个体层面和地区层面构建广义分层线性模型，分析得到不同变量对老年人养老居住意愿的影响因素不同。

对于基本公共服务而言，研究发现地区基本公共服务中的社会保障与就业服务、基本医疗卫生服务对老年人养老居住意愿有显著影响，其中社会保障与就业服务越完善，老年人更加倾向选择机构养老，对老年人选择机构养老有正向促进作用，也可以说明老年人居住意愿不仅受到个人层面的影响，还受到所在地区基本公共服务的影响。从需求方面来看，城镇老年人选择养老机构比例高于农村老年人，农村老年人的养老居住意愿选择受到传统的孝文化和养儿防老观念的影响，农村的养老设施的供给不足等原因降低了选择机构养老比例。从供给方面来看，我国的养老机构发展处于起步阶段，存在政策体系不完善、养老服务和医疗服务互不衔接、农村养老机构的非规范发展等原因。提倡以多元养老模式应对人口老龄化的加剧，建立科学合理的养老服务体系是重中之重，政府部门在养老服务体系中做好职能定位，完善基本公共服务和养老服务制度保障，积极引导和扶持养老服务的发展。

对于老年人个体因素分析而言，研究结果得到家庭因素对老年人养老居住意愿影响程度最大，子女的數量多并不能降低老年人选择机构养老意愿，可能是对于居住现状的不满意，虽然子女是否给予经济支持对老年人居住意愿产生显著影响，但赡养老年人也需要子女在亲情上的“孝”。老年人在不同年龄段的居住意愿会发生变化，随着年龄的增长，更加倾向于有人在身边照顾，选择与子女居住、养老机构居住的意愿均大于独居或与配偶居住意愿。男性、教育程度高、居住在城镇的老年人更倾向选择机构养老。

参考文献

[1]刘金华.基于老年生活质量的中国养老模式选择研究[D].成都：西南财经大学，2009.

[2]Yount K M，Khadr Z.Gender，Social Change，and Living Arrangements Among Oder Egyptians during the 1990s[J].Population Research and Policy Review，2008，27（2）：201-225.

[3]左冬梅，李树茁，宋璐.中国农村老年人养老院居住意愿的影响因素研究[J].人口学刊，2011，31（1）：24-31.

[4]郭志刚.中国高龄老人的居住方式及其影响因素[J].人口研究，2002，26（1）：37-42.

[5]徐宏，李陈陈.我国老年人口养老居住意愿及其影响因素的实证研究——基于中国老年健康影响因素跟踪调查[J].江汉大学学报（社会科学版），2019，36（6）：52-62+119-120.

[6]马琳琳，王晶.吉林省农村老年人生存状况的性别差异[J].人口学刊，2015，37（1）：103-112.

[7]张争艳，王化波.珠海市老年人口养老意愿及影响因素分析[J].人口学刊，2016，38（1）：88-94.

[8]宋宝安.老年人口养老意愿的社会学分析[J].吉林大学社会科学学报，2016，52（4）：90-97.

[9]张莉.对我国高龄老人居住方式影响因素的分析[J].华中科技大学学报（社会科学版），2016，30（1）：92-102.

[10]焦亚波.上海市老年人养老意愿及其影响因素[J].中国老年学，2010，30（19）：2816-2818.

[11]张丽萍.老年人口居住安排与居住意愿研究[J].人口学刊，2012，32（06）：26-34.

[12]曾毅.中国老年健康影响因素跟踪调查（1998-2012）及相关政策研究综述（上）[J].老龄科学研究，2001，（1）：67-74.

[13]张雷，雷雳，郭伯良.多层线性模型应用[M].北京：教育科学出版社，2003.

作者简介：欧阳汉（1979-），男，贵州贵阳人，博士，贵州财经大学大数据统计学院副教授，研究方向：经济社会统计、宏观经济模型;田秋红（1996-），女，贵州遵义人，贵州财经大学大数据统计学院研究生，研究方向：人口统计、经济社会统计;廖文琪（1996-），男，贵州遵义人，贵州财经大学大数据统计学院研究生，研究方向：人口统计、经济社会统计。

作者：欧阳汉 田秋红 廖文琪