基于不同的研究方向，在具体的实证研究中，教育投资风险的计量方法也有所不同。对教育投资风险的实证研究可以从计量对象上概括为以下两个方向：一是研究教育与收入风险之间的关系；二是对标准明瑟收益方程中的教育收益率系数变化的考察。在第一种研究方向的实证研究中，主要是对收入的变动程度与教育程度间关系的考察。其中，对收入的计量指标主要有原始收入、对数收入、收入残差、收入残差的反对数等，在收入变动的计量指标上，也存在诸多选择，经常使用的指标主要有方差和变异系数两种。在第二个研究方向中，从实证方法方面又可分为以下三种：一是对标准明瑟收益方程中教育收益率进行时间序列估计，将其变化程度作为投资风险的计量水平。例如哈特戈（Hartog，1993）等人对新西兰教育投资收益的时序考察，沃克和伍利（Walker & Woolley，2002）对28个国家的国别比较研究，哈默和奥斯特贝克（Harmon & Oosterbeek，1999）利用元分析（MetaAnalysis）对以前的96个教育投资收益研究的比较，都是近年来有代表性的研究。二是对个体间教育投资收益率差别的研究。哈默、霍根及沃克（Harmon，Hogan & Walker，2001）拓展了标准的人力资本收益函数，包括了学校教育收益率的分散程度。他们认为教育收益率是因人而异的，并把它作为一个随机系数。三是对分位数回归技术的应用。“分位数回归”又称“分量回归”（QuantileRegression，QR），由科恩克和巴萨特（Koenker & Bassett，1978）提出。在收入分布的平均数回归估计中，回归系数被假定在整个收入的条件分布中是不变的，从而限制了对收入分布中一些重要特征的考察。分位数回归与平均数回归估计相比，具有两个优点：其一是约束条件减少，因为它允许参数β在因变量的条件分布中的不同分布点变动，因此可以对回归关系进行更详细的特征描述；其二是分位数回归对特异值更具包容度，这是因为分位数回归中残差的最小化不是如在最小二乘中的平方值，特异值并不特别得到强化。如果回归中的残差项不呈正态分布，分位数回归比平均数回归更具有效率（Buchinsky，1998）。因此，分位数回归估计方法现已成为描述样本分布整体情况的有力工具。赵宏斌（2004）和马晓强、丁小浩（2005）也都采用这种方法计量教育风险。下面就重点介绍分位数回归估计法。
传统的“普通最小二乘估计法”（OrdinaryLeastSquareEstimation，OLS）是估计自变量对因变量的条件平均数的效果，其假设是不同分布点上自变量的效果是相同的。而分位数回归则是一种更一般化的估计方法，其目的是观察分布中不同分位点上自变量的不同作用。分位数回归中，参数估计一般采用“加权最小一乘”（WeightedLeastAbsolute，WLA）准则，其表达式为：
式中，yi为因变量；xi为自变量；θ为估计中所取的各分位点值；βθ为各分位点估计系数值。其基本含义是在回归线上方的点（残差为正），其权重为θ；在回归线下方的点（残差为负），其权重为（1-θ）。当θ=0.5时，即为“中位数回归”（MedianRegression）。估计的参数值βθ 将随θ值的变化而变化。
就收入分布而言，在均数回归估计中，回归系数被假定在整个收入的条件分布中是不变的，从而限制了对收入分布中一些重要特征的考察（Buchinsky，1994）。如果研究的是教育投资收益率的变动情况，普通最小二乘估计（OLS）只能得出教育投资收益率的条件均数回归值，要想考察整个收入分布中不同收入点上教育投资收益率的差异，传统的分析思路是将样本再划分为数个小样本分别进行估计，但这种截断方法实际上是在特征近似的小团体内部自行比较，必然导致样本的选择性偏差。而分位数回归模型在回归中将使用到所有的观察值，这对全面考察教育投资收益率的变动情况十分合适。
采用明瑟收益方程，进行分位数回归的方法为：
式中，ωi为收入；xi是自变量；βθ 是参数；μθi 为随机扰动项；0
哦豁，小伙伴们如果觉得倾城文选不错，记得收藏网址 或推荐给朋友哦~拜托啦 (>.<)
传送门：
教育经济学
教育经济学萌芽于
教育经济学就业方向及前景