在非线性概率模型系数比较问题研究中,通常会涉及同一模型中同一变量在不同样本之间的系数比较和同一变量在不同模型之间的系数比较。例如,在同一模型不同样本下,研究人员可能想要了解不同种族在政治态度上的性别差距、20世纪不同年代出生的同龄人的教育回报是否发生了变化、出生于相同年代的同龄人教育回报率的性别差异等。对于同一模型不同样本的系数比较往往采用嵌套模型、或者Wald卡方检验,但是这两种方法都忽略了没有观测到的异质性,而非线性概率模型中存在一些未知的异质性,模型的系数是不能简单代表真实的变量效应,所以很难在不同样本间直接进行系数比较。对于在同一样本下不同模型之间的系数比较问题通常采用潜在因变量y*标准化的方法,潜在因变量y*标准化是根据潜在因变量的方法对不同模型的系数估计值进行了调整,这样可以在不同模型之间进行系数比较。但是潜在因变量y*标准化只适用于同一样本下不同模型之间的系数比较,因为对于不同样本之间未观测到的异质性是否存在差异无从得知。因此,对于非线性概率模型的系数比较方法还有待进一步的研究和探讨。本文主要立足于从相关性的角度解决非线性概率模型系数比较问题,在第二章介绍了非线性概率模型的系数比较包含了不同模型同一变量、同一模型不同群组等几种类型以及非线性概率模型系数比较问题现有的解决办法存在的一些问题。第三章针对第二部分在非线性概率模型进行系数比较时出现的问题提出了解决办法,即从相关性的角度出发进行系数比较。第三章主要介绍了通过相关性进行系数比较的原理和推导过程。首先在潜在变量框架中建立非线性概率模型,并展示如何使用它们的系数来推出自变量X和潜在因变量y*之间的相关性,即相关性的估计方法;以及如何通过相关性的比较来对非线性概率模型的系数差异进行比较。还介绍了对相关性的检验,利用Fisher检验对相关性及不同样本的相关性差异进行检验,还利用蒙特卡洛研究分析法对该检验方法的准确性进行了验证。潜在因变量与自变量的相关性在Logit模型中已有初步的探索,本文将相关性的方法应用于Probit模型中。以2017年中国综合社会调查数据作为研究数据,对我国各阶层子女受教育程度差异进行了研究探讨。并且将利用相关性进行群组效应差异比较得到的结果和利用潜在因变量y*标准化进行群组效应差异比较得到的结果进行了对比,发现了相关性的优越之处。通过实例分析会发现当研究人员关心的结果变量是相对值而不是绝对值时,在以离散变量作为因变量的非线性概率模型中,利用相关性进行模型的系数比较是非常合适的。潜在因变量与自变量的相关性提供了一种方法,可以对非线性概率模型进行系数比较。相关系数是一种标准化的度量标准,不随组间自变量和潜在因变量的边际分布的差异而变,因此在线性概率模型中可以应用此方法,使非线性概率模型的系数比较方法体系更加完善。还可以广泛应用于社会比较研究中,为研究社会现象、解决社会问题提供理论依据。特别地,当研究人员想要比较在同一非线性概率模型不同群组的相同变量的效应差异时,利用相关性进行比较是非常有效的。本文的创新点主要在于不直接从系数的角度进行非线性概率模型的不同群组或不同模型的系数比较,而是从潜在因变量与自变量的相关性的角度来进行比较。从Probit模型的估计系数中推导计算出潜在因变量与自变量之间的相关性,并利用相关性进行群组效应差异的比较。在本文的最后探讨了相关性的适用场景、优缺点以及可能开展的进一步的研究。