中国居民教育程度与总收入情况关系分析
问题概述
01
教育程度对个体的经济状况有着深远的影响。随着中国经济的快速发展和教育普及程度的提高，居民的受教育程度与个人收入之间的关系逐步得到关注。本研究旨在探讨中国居民的受教育程度与其2020年总收入之间的关系，以揭示教育对收入分配的影响。
本研究将使用中国综合社会调查（CGSS）数据，对不同教育水平人群的总收入情况进行统计分析和模型构建。通过对这些数据的有效分析，我们期望能够找出教育程度在收入分配中的作用。研究结果不仅有助于理解教育在经济发展中的核心作用，还能为政策制定者提供重要参考，以便更好地制定教育政策和收入分配策略。此外，研究还可以为家庭和个人提供关于教育投资的科学建议，帮助他们在教育选择上做出更明智的决策。
文献综述
02
大量研究表明，教育水平与收入之间存在显著的正相关关系。Mincer（1974）的经典人力资本理论指出，受教育程度的提高能够增加个人的人力资本，从而提升其劳动生产率和收入水平。这一理论在全球范围内都得到了广泛验证。
在中国背景下，教育对收入的影响同样显著。宏观层面上，吴舒钰等人（2024）的研究表明，中国的教育回报率自1978年以来不断上升，我国的教育投资有效对冲了人口结构变化对经济造成的负面冲击。李秀玉等人（2020）通过分析中国城镇居民的收入分配情况发现，教育水平是影响收入差距的重要因素之一，质量可比的教育对居民总收入和工作收入均具有显著的正向影响。
区域差异是影响教育与收入关系的重要因素。王小鲁（2005）等人的研究指出，中国不同地区的经济发展水平和教育资源分布存在较大差异，这导致了教育回报率在不同地区间的显著差异。发达地区由于经济发展水平较高，教育回报率相对较高；而欠发达地区的教育回报率则相对较低。此外，性别差异也在教育回报中表现出显著影响。龚继红（2024）等人指出，教育代际向下流动仍然会加剧代际收入传递固化，且这一影响更多作用于女性。
综上所述，尽管已有研究表明教育水平对收入有显著影响，但在中国背景下，不同教育背景对这一关系的具体影响仍需要进一步探讨。因此，本研究将进一步分析中国居民的教育程度与总收入之间的关系，揭示教育对收入分配的作用机制。
模型构建或方法
03
1.数据来源：本研究所采用的是中国综合社会调查2021年度调查数据，该数据集涵盖样本广泛，共完成有效样本8148份，包含了700个变量，可用来分析中国居民受教育程度与总收入情况关系分析。
2.变量选择：研究的主要自变量包括最高教育程度、高中学校等级、大学学校等级、大学专业类型等等，这些指标能够尽可能地反映出不同个体的受教育程度。因变量为其2020年的总收入，划分为了高、中、低三种收入分类，以进行更好的模型训练。
3.数据预处理：在进行模型构建之前，对数据进行了清洗和预处理。数据清洗策略如下：对于最高教育程度，由于缺失值较少，可以直接删除这些行；对于完成最高学历年份，补齐缺失值，使用列的平均值或中位数；对于高中学校等级和大学学校等级，补齐缺失值，使用众数；对于大学专业，补齐缺失值，使用众数。此外，删除了完成最高学历年份小于1922年或大于2030年的异常数据。
4.模型构建：采用了决策树模型来分析不同居民受教育程度和总收入之间的关系。一方面，决策树模型可以处理数值型和分类型数据，不需要对数据进行严格的预处理。无论是教育年限这样的连续变量，还是职业类型这样的分类变量，决策树都可以直接使用。另一方面，决策树模型可以提供特征重要性，帮助识别哪些特征对收入的影响最大。
5.模型训练与评估：我们将数据集划分为训练集和测试集。我们在训练集上训练模型，并在测试集上评估模型的性能。
6.性能指标：为了全面地评估模型的性能，采用了混淆矩阵、分类报告和ROC曲线等重要指标。混淆矩阵和分类报告提供了模型的准确度、召回率和F1分数等评价指标，ROC曲线和AUC值则量化了模型在各个类别上的区分能力。混淆矩阵和分类报告提供了模型精确度（Accuracy）、召回率（Recall）和F1分数（F1-Score）等评价指标，而ROC曲线和AUC值则提供了模型在各个类别上区分能力的量化指标。
7.结果可视化：为了更加直观地展示模型评估的结果，采用热图来展示混淆矩阵，并且用折线图来展示ROC曲线。
8.误差分析：通过分析混淆矩阵，我们识别模型在哪些类别上存在过拟合或欠拟合，以此探索可能的原因和改进方法。
数据分析
04
1. 数据清洗、补空、导出、label 更新和属性类型。
# Column Dtype
--- ------ -----
0 最高教育程度 float64
1 最高教育程度（状况） float64
2 完成最高学历年份 float64
3 高中学校等级 float64
4 大学学校等级 float64
5 大学专业 float64
6 2020年总收入 float32
2. 数据可视化的实现
图 1：最高教育程度占比
1:没有受过任何教育；2:私塾、扫盲班；3:小学；4:初中；5:职业高中；6:普通高中；7:中专；8:技校；9：大学专科（成人高等教育）；10：大学专科（正规高等教育）；11:大学本科（成人高等教育）；12:大学本科（正规高等教育）；13:研究生及以上：14:其他。
有25.6%的人最高教育程度是初中，20.4%的人最高教育程度是小学，12.4%的人最高教育程度是普通高中。
图 2：大学专业占比
1:哲学；2:经济学；3:法学；4:教育学；5:文学；6:历史学；7:理学；8:工学；9：农学；10：医学；11:军事学；12:管理学；13艺术学：14:其他。
81.7%的大学生最后所学专业（学科大类）是工学。
图 3：每年完成最高学历人数的变化趋势
于2000年左右年完成最高学历人数得到了一个爆发式的增长和下跌。近年来，每年完成最高学历的人数正在稳步上升。
图 4：中国居民2020年总收入分段表
大部分中国居民2020年的总收入处于0-20k这个段位，总体上收入越高人数越少。
3. 模型构建与结果
选用的是决策树分类器模型，随机种子数设置为42。
# 拆分数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 创建决策树分类器模型
model = DecisionTreeClassifier(random_state=42)
model.fit(X_train, y_train)
# 预测
y_pred = model.predict(X_test)
真实标签0（收入低于50000）：有583个样本被正确预测为0，但有46个样本被错误地预测为1，26个样本被预测为2。
真实标签1（收入处于50000-100000）：有32个样本被正确预测为1，但有161个样本被错误地预测为0，18个样本被预测为2。
真实标签2（收入处于100000-9999996）：有13个样本被正确预测为2，但有46个样本被错误地预测为0，16个样本被错误预测为1。
类别0（低收入）：精确度（Precision）：0.74；召回率（Recall）：0.89；F1分数：0.81；支持度（Support）：655
分析：这个类别的预测表现较好，召回率很高，表明大多数真实为低收入的样本被正确分类。精确度也很高，说明大多数预测为低收入的样本确实是低收入人群。
类别1（中等收入）：精确度（Precision）：0.34；召回率（Recall）：0.15；F1分数：0.21；支持度（Support）：211
分析：这个类别的预测表现较差，召回率很低，说明很多真实为中等收入的样本被错误分类。精确度也较低，说明很多非中等收入的样本被错误地预测为中等收入。
类别2（高收入）：精确度（Precision）：0.23；召回率（Recall）：0.17；F1分数：0.20；支持度（Support）：75
分析：这个类别的预测表现很差，召回率很低，说明大多数真实为高收入的样本被错误分类。精确度也较低，说明很多非高收入的样本被错误地预测为高收入。
整体性能：准确率（Accuracy）：0.67；宏平均（Macro avg）：精确度：0.44、召回率：0.41、F1分数：0.40；加权平均（Weighted avg）：精确度：0.61、召回率：0.67、F1分数：0.62
分析：整体来看，模型对低收入类别的表现最好，而对中等收入和高收入类别的预测表现较差。宏平均和加权平均的指标显示模型在各个类别上的表现参差不齐。
1）类别性能差异：
· 类别0（低收入）的AUC值：0.58
· 分析：当前的模型在识别低收入人群时表现相对较好。
· 类别1（中等收入）的AUC值：0.53
· 分析：类别1的AUC值接近于0.5，表明模型在中等收入人群上的分类性能较差，接近于随机猜测。需要对模型进行进一步调整和优化，以提升对中等收入人群的分类能力。
· 类别2（高收入）的AUC值：0.56
· 分析：类别2的AUC值稍高于0.5，表明模型在高收入人群上的分类性能略高于随机猜测，但仍有显著的改进空间。进一步的特征工程或模型选择可能会改善这一结果。
2）整体性能：
· 各类别的AUC值差异较大，低收入人群的分类性能相对较好，而中等收入和高收入人群的分类性能相对较差。
· 整体性能：从图中可以看出，模型在不同类别上的性能差异较大。这可能是由于数据不平衡、特征与类别的相关性不同或模型对某些类别的泛化能力不足。需要通过进一步的特征工程、数据平衡和模型优化来提高整体性能。
小结
05
1. 主要结论
本研究通过分析中国综合社会调查（CGSS）数据，探讨了中国居民的受教育程度与2020年总收入之间的关系。
1）低收入群体分类表现较好：模型在预测低收入群体（收入低于50000元）时表现较好，召回率和精确度均较高。
2）中等收入和高收入群体分类较差：对于中等收入（50000-100000元）和高收入（100000元以上）群体，模型的分类性能较差，召回率和精确度均较低。现有模型在识别这两个群体时存在显著不足。
3）整体分类性能一般：整体模型的准确率为67%，宏平均AUC值为0.56，显示模型在所有类别上的总体性能略高于随机猜测，但仍有较大的改进空间。
2. 不足
1）数据不平衡：模型在处理数据不平衡时存在不足，中等收入和高收入群体的样本数量较少，导致模型在这些类别上的表现较差。这可能也与我们对收入人群划分的方式有关。
2）特征选择有限：研究中使用的特征主要集中在教育相关变量，可能遗漏了其他对收入有显著影响的因素，如工作经验、家庭背景等。
3）模型优化不足：虽然使用了决策树模型，但在模型参数优化和复杂模型（如随机森林、梯度提升树等）的尝试上还有进一步提升的空间。
4）区域和性别差异未充分考虑：不同地区和性别对教育回报率的影响差异未在模型中充分考虑，这可能影响了模型的预测性能。
参考文献
06
1. Mincer J. Schooling, Experience, and Earnings. Human Behavior & Social Institutions No. 2[J]. 1974.
2. 吴舒钰,李稻葵,厉克奥博.教育回报率显著高于资本回报率的实证分析——基于1978年以来我国宏观教育回报率的测算[J].教育研究,2024,45(03):111-124.
3. 李秀玉,蔡玉洁.质量可比的教育与居民收入关系的实证分析——基于CGSS数据的研究[J].统计学报,2020,1(06):85-94.DOI:10.19820/j.cnki.issn2096-7411.2020.06.007.
4. 王小鲁,樊纲.中国收入差距的走势和影响因素分析[J].经济研究,2005(10):24-36.
5. 龚继红,廖梦雪.性别视角下教育代际流动对代际收入流动影响的差异[J].学习与实践,2024(03):81-93.DOI:10.19624/j.cnki.cn42-1005/c.2024.03.014.
~END~
