二 工程教育收益率估算模型

为了扩大高等教育子样本的规模、降低抽样误差，首先分别从CGSS2003年与CGSS2008年样本数据中抽取出已完成高中教育及以上的样本，然后再将二者进行合并形成截面数据（Pool Data）来作为我国工程教育收益率的估算数据，这样也有助于更精确地估算我国的工程教育收益率。由于是CGSS2003年与CGSS2008年数据中已完成高中教育及以上样本的合并，因此需要在合并样本中加入年份变量T ₀₈ 来对2003年与2008年的数据进行区别。以2003年数据为参照，若某数据为2003年的数据，则将其T ₀₈ 值定为“0”，若该数据属于2008年的数据，则将其T ₀₈ 值定为“1”。

同理，对美国工程教育收益率估算的样本数据处理也采用同样的方法。首先从GSS 2006年与GSS 2008年样本数据中抽取出已完成高中教育及以上的样本，然后再将二者进行合并形成截面数据来作为美国工程教育收益率的估算数据。在合并样本中也加入年份变量T ₀₈ 来将2006年与2008年的数据进行区别，以2006年的数据为参照，若某数据为2006年的数据，则将其T ₀₈ 值定为“0”，若该数据属于2008年数据，则将其T ₀₈ 值定为“1”。

在高等教育阶段受教育年限的取值方面，将截面数据中各受访者的受教育年限直接定值为该受访者在高等教育阶段实际接受的教育年限，参照组最高受教育程度为高中且已完成高中教育的受访者，并将其受教育年限定值为“0”，这样估算出的工程教育收益率将更为科学。

（一）工程教育收益率估算模型——不含职业因素控制变量（模型3.1）

首先建立不含职业因素控制变量的工程教育收益率估算模型3.1：

Y 代表个人收入。 Sh _k 分别代表13个学科门类与“综合”专业受访者在高等教育阶段所接受的教育年限，依照序号顺序各学科门类依次为哲学、经济学、法学、教育学、文学、历史学、理学、工学、农学、医学、军事学、管理学、艺术学、其他及综合。当该专业出现时，该受访者的 Sh _k 取值为其在大学阶段所接受教育的年限，否则将其赋值为“0”。估算我国工程教育收益率时， a 为2003年截距， a + σ ₀ 为2008年截距， b _k 为2003年各学科门类高等教育收益率， b ₈ 为2003年工程教育收益率， b _k + σ _{1 k} 为2008年各学科门类高等教育收益率， b ₈ + σ ₁₈ 为2008年工程教育收益率。

估算美国工程教育收益率时， a 为2006年截距， a + σ ₀ 为2008年截距， b _k 为2006年各学科门类高等教育收益率， b ₈ 为2006年工程教育收益率， b _k + σ _{1 k} 为2008年各学科门类高等教育收益率， b ₈ + σ ₁₈ 为2008年工程教育收益率。

（二）工程教育收益率估算模型——引入职业因素控制变量（模型3.2）

进一步引入职业因素控制变量后工程教育收益率估算模型扩展为模型3.2：

其中 D _ij （ i =1，…， n ）依然为n个职业因素控制变量的取值，其他变量所代表含义均同式3-6。

在估算美国工程教育收益率时，从GSS数据中采用的职业因素控制变量为4个，分别是工作类型［ D ₁ （美）］、雇佣类型［ D ₂ （美），雇主是自己还是他人］、在本单位工作年限［ D ₃ （美）］、单位性质［ D ₄ （美），政府、私营、其他］。 27qwsxc9/84ynu+0A9HVKwkzvWJ/0pX3SxlSTwNF1VG3k8lIesQwGrtf7kxI4VjD