年齡、期間、隊列效應(yīng)的分離性分析具有十分重要的理論與應(yīng)用價值。本書從集體層次的角度來對年齡、期間、隊列效應(yīng)估計的建模進行了詳細的探討。包括的內(nèi)容主要有：從約束性估計到年齡、期間、隊列特征的應(yīng)用，再到估計方程，再到方差分解。在一章對已有的APC研究進行簡單而全面的介紹之后，第二章和第三章分別從代數(shù)和幾何的角度對模型識別問題進行了分析介紹，并順便討論了相對應(yīng)約束性回歸的估計方法。第四到六章通過原理和實例結(jié)合的方式提供給讀者一些重要的研究策略，包括估計方程法、混合效應(yīng)模型的方差分割法、特征分析法等，其能在不直接依賴前述約束性估計方式的前提下對APC模型進行估計。第七章則為讀者呈現(xiàn)了一個具體的實證研究案例，詳細描述了如何將本書前述方法應(yīng)用于對年齡、期間、隊列效應(yīng)的估計上。
作者對已有浩瀚的APC研究文獻進行了全面細致的總結(jié)，并集中于對聚合性數(shù)據(jù)進行分析。當(dāng)然在混合效應(yīng)模型下的APC對個體和集體層面的年齡、期間、隊列效應(yīng)均進行了探討，這一點在第五章中也有所涉及。本書的應(yīng)用范圍極其廣泛，人口學(xué)、社會學(xué)、經(jīng)濟學(xué)、衛(wèi)生統(tǒng)計學(xué)等定量領(lǐng)域均可適時使用本書所介紹的這些統(tǒng)計方法，從而可以對研究對象間的因果機制進行更加深入的分析和把握。可以預(yù)測，在未來很長一段時間內(nèi)，APC效應(yīng)分離的縱向數(shù)據(jù)分析應(yīng)該是因果統(tǒng)計推斷中恰當(dāng)?shù)氖侄巍?br>
前 言
年齡效應(yīng)、時期效應(yīng)以及隊列效應(yīng)的分離是所有涉及一個或多個這些效應(yīng)的分析的關(guān)鍵問題，但這個問題仍然常常被忽視。在橫截面調(diào)查中，研究者可能會發(fā)現(xiàn)吸煙行為與年齡有關(guān)。這一研究通過檢驗單一時期的數(shù)據(jù)從而控制了時期效應(yīng)，使時期的方差為零，因此其“效應(yīng)”為零。然而，這個橫截面研究中“顯而易見的” “年齡效應(yīng)”也有可能是隊列效應(yīng)，或者是年齡效應(yīng)與隊列效應(yīng)的混合，因為在這個橫截面研究設(shè)計中，每個年齡組都代表一個不同的出生隊列。在檢驗不同時期中的同一年齡組，或者不同年齡組中的同一隊列時，類似的問題也會存在。這些情況均涉及被遺漏的變量。
研究人員經(jīng)常會在其研究設(shè)計中考慮這三個變量中的兩個。研究人員一開始可能設(shè)計了年齡-時期研究，關(guān)注在不同時期中年齡分布如何波動，繼而解釋為什么時期影響了結(jié)核病或同性婚姻支持度或自殺的年齡分布。使用這種研究設(shè)計的研究者很可能忽略了可能存在的隊列效應(yīng)。但隊列效應(yīng)不應(yīng)被忽視，因為年齡、時期和隊列效應(yīng)是相混雜的，已知年齡和時期，我們就可得知出生隊列。這些自變量之間存在線性依賴關(guān)系（時期－年齡＝隊列）。
在上述情況下，研究者可能沒有意識到他們面臨著年齡-時期-隊列（APC）識別問題，然而多數(shù)情況下事實確實如此。任何在分析數(shù)據(jù)時明確考慮到年齡、時期和隊列效應(yīng)的研究者幾乎都認識到在此模型中的識別問題，他們認識到了包含年齡、時期和隊列效應(yīng)的模型會存在線性依賴關(guān)系。
本書是對利用聚合層次數(shù)據(jù)建模分析年齡、時期和隊列效應(yīng)的問題及策略的介紹。這些策略涉及約束估計、因素-特征法、可估函數(shù)以及方差分解。第1章為綜合且全面的概述性章節(jié)，之后的第2～3章分別從代數(shù)和幾何角度說明了識別問題，其中也討論了約束回歸。第4～6章提供了一些不直接依賴第2～3章中的約束條件來識別APC模型的方法。第7章展示的一個具體實證案例表明，多種方法的結(jié)合使用可以為特定的年齡、時期和隊列效應(yīng)提......
〔美〕羅伯特?M?奧布萊恩（Robert M. O’Brien）是俄勒岡大學(xué)一位榮休的社會學(xué)教授，其致力于犯罪學(xué)和定量方法方向的研究，并在這兩個領(lǐng)域發(fā)表了大量文章。在返聘后，他和詹姆斯?R?艾略特（James R. Elliott）共同擔(dān)任了《社會學(xué)視角》（Sociological Perspectives）的編輯，并從事其他研究項目，撰寫了本書。
前言／1
1 年齡-時期-隊列模型概述／1
1.1 引言／1
1.2 對年齡、時期和隊列的關(guān)注／2
1.3 隊列的重要性／5
1.4 本書的計劃／16
參考文獻／18
2 多分類模型和約束回歸／21
2.1 引言／21
2.2 線性編碼的年齡-時期-隊列（APC）模型／22
2.3 分類編碼的APC模型／24
2.4 廣義線性模型／29
2.5 零向量／29
2.6 模型擬合／31
2.7 解與約束條件正交／32
2.8 檢驗解之間的關(guān)系／32
2.9 約束解在旋轉(zhuǎn)前后的差異／40
2.10 忽略一個或多個年齡、時期或隊列因素的解／42
2.11 偏差：約束估計和數(shù)據(jù)生成參數(shù)／46
2.12 單一約束條件下的無偏估計／48
2.13 有額外實證支持的合理約束條件／48
2.14 結(jié)論／51
附錄 2.1 虛擬變量和效應(yīng)編碼／52
附錄2.2 確定效應(yīng)編碼、虛擬變量編碼變量的零向量／53
附錄2.3 作為無偏估計的約束估計／55
參考文獻／55
3 APC模型和約束估計的幾何原理／57
3.1 引言／57
3.2 一般幾何視角下的單一秩虧模型／58
3.3 多維模型的泛化／65
3.4 含線性編碼變量的APC模型／66
3.5 幾何解和代數(shù)解的等價性／73
3.6 多分類模型的幾何原理／75
3.7 離原點的距離和沿解集線的距離／76
3.8 實證案例：Frost的結(jié)核病數(shù)據(jù)／77
3.9 APC模型幾何原理重要特征總結(jié)／80
3.10 機械約束的問題／82
3.11 討論／85
附錄3.1／85
參考文獻／86
4 可估函數(shù)法／88
4.1 引言／88
4.2 可估函數(shù)／89
4.3 在年齡-時期-隊列（APC）模型中用l′sv法建立可估函數(shù)／91
4.4 利用l′sv法推導(dǎo)可估函數(shù)的一些示例／93
4.5 對l′sv 法的評論／99
4.6 有經(jīng)驗數(shù)據(jù)的可估函數(shù)／100
4.7 對男女肺癌死亡率差異的更多實質(zhì)性檢驗／104
4.8 結(jié)論／106
附錄4.1／107
參考文獻／109
5 在年齡-時期-隊列（APC）模型中分解方差／111
5.1 引言／111
5.2 歸因方差：年齡-時期-隊列方差分析法（APC ANOVA）／112
5.3 APC混合模型／115
5.4 分層APC模型／124
5.5 使用兇殺犯罪數(shù)據(jù)的實證案例／127
5.6 結(jié)論／136
參考文獻／138
6 因素-特征法／140
6.1 引言／140
6.2 單因素特征／141
6.3 雙因素或多因素的特征／145
6.4 因素和因素特征的方差分解／146
6.5 實證案例：年齡-時期別自殺率和頻數(shù)／147
6.6 對具有兩個隊列特征的自殺數(shù)據(jù)進行年齡-時期-隊列特征（APCC）分析／152
6.7 對具有兩個時期特征的自殺數(shù)據(jù)進行年齡-隊列-時期特征（ACPC）分析／155
6.8 年齡-時期-特征-隊列特征模型／158
6.9 基于因素特征和機制的方法／160
6.10 因素-特征模型的其他特征和分析／161
6.11 結(jié)論／162
參考文獻／163
7 總結(jié)：一個實證案例／165
7.1 引言／165
7.2 實證案例：兇殺犯罪／166
7.3 結(jié)論／183
參考文獻／185
索引／187
譯后記／193
書單推薦
