Коротко, по пунктам — влияние по двум теориям и практический эмпирический дизайн.
1) Теоретическая интерпретация влияния раннего отсева на межпоколенную мобильность
- Теория социального конфликта (conflict theory)
- Основная логика: отбор усиливает и воспроизводит неравенство, потому что ресурсы и привилегии концентрируются у уже привилегированных групп; отсев раньше предоставляет доступ к более качественному обучению и сетям преимущественно детям из высших классов, усиливая передачу статуса.
- Предсказания: ранний отсев увеличит межпоколенную передачу статуса (повысит IGE — intergenerational elasticity), уменьшит вероятности повышения социального статуса для детей из низших слоёв, усилит расслоение по результатам образования и заработка через механизмы: неравный доступ к куррикулуму, «стигматизация» отсечённых, различное финансирование/кадры.
- Функционализм
- Основная логика: отсев повышает общую эффективность системы, распределяя людей по «подходящим» функциям; теоретически отсев может улучшить средовые результаты и экономическую эффективность, но не обязательно ухудшить мобильность, если доступ к отсеву основан на объективных способностях, а не на привилегиях.
- Предсказания: ранний отсев может привести к более высокой средней производительности и росту экономических показателей; эффект на межпоколенную мобильность неопределён — если отбор честный, IGE не обязательно увеличится; если же отбор коррелирует с семейным капиталом, функционализм не исключает рост неравенства.
2) Механизмы (что измерять)
- Прямые: различия в учебной программе, уровне учителей, пропускной способности, доступ к продвинутым предметам.
- Косвенные: ожидания родителей/учителей (стигма), сетевые эффекты (пиры), финансовые инвестиции семьи.
- Итоговые показатели: завершённое образование, годы обучения, тестовые баллы, занятость, логарифм заработка в зрелом возрасте, профессиональный статус, накопления.
3) Предложение эмпирического дизайна для оценки долгосрочных эффектов
- Основной желательный подход (квази-экспериментальный, наиболее надёжен при наличии «пороговой» политики):
- Regression discontinuity (RD) при наличии чёткого порога для отсевa (например, тестовый балл или школьный рейтинг).
- Спецификация: пусть $S_i$ — проходной балл, $c$ — порог, $D_i=1(S_i\ge c)$ — индикатор попадания в «высший» трек. Оценивать локальный эффект:
$$Y_i=\alpha +\tau D_i+f(S_i-c)+{\epsilon }_i,$$ где $f(\cdot )$ — сглаживающая функция (линейная/полиномиальная с разными коэффициентами по обе стороны). Оцениваем $\tau$ как локальный средний эффект отсечения.
- Проверки: баланс ковариат по обе стороны, McCrary тест на манипуляцию плотности, разные bandwidth’ы, placebo-пороговые тесты.
- Альтернативы / дополнения если RD невозможен:
- Разность-в-разностях (DiD) для поэтапного введения или отмены отсевов:
$$Y_{it}={\alpha }_i+{\delta }_t+\beta (Pos{t}_t\times Treate{d}_i)+X_{it}\gamma +{\epsilon }_{it}.$$ Требование: параллельные тренды проверяемы; использовать когорты/школы как единицы наблюдения.
- Инструментальные переменные (IV) — например, использовать экспогенные изменения правил отбора или политические шоки как инструмент для реального попадания в трек.
- Sibling fixed effects: если внутри одной семьи дети попали в разные треки (из‑за реформы или кумулятивных правил), оценить различие контролируя семейные эффекты:
$$Y_{ij}={\alpha }_j+\beta T_{ij}+X_{ij}\gamma +{\epsilon }_{ij},$$ где ${\alpha }_j$ — фикс эффекты семьи.
- Спецификация для оценки влияния на межпоколенную мобильность
- Оценивать изменение IGE и/или вероятности повышения статуса. Пример регрессии с взаимодействием:
$$\log y_{child,i}=\rho \log y_{parent,i}+\theta T_i+\varphi (T_i\times \log y_{parent,i})+X_i\gamma +{\epsilon }_i.$$ Здесь $\varphi$ показывает, меняет ли отсев силу передачи дохода между поколениями (влияние на мобильность).
4) Данные и измерения
- Источники: административные образовательные реестры, налоговые/пенсионные регистры (заработки), перепись и социологические панели, школьные данные (о треках, тестах), данные родителей о доходах/образовании.
- Когорта: минимум наблюдение до взрослого возраста (возраст 30+ для стабильного дохода).
- Ключевые переменные: $T_i$ (экспозиция к треку), балл/порог $S_i$, родительский доход/образование, итоговые взрослые исходы (образование, лог-заработок, занятость), контрольные ковариаты (пол, регион, дата рождения).
5) Идентификация долгосрочного эффекта и проверка устойчивости
- Проверки валидности RD/IV/DiD, баланс предикторов, placebo-эндпойнты (показатели до вмешательства), гарантия отсутствия манипуляций вокруг порога.
- Heterogeneity: по родительскому SES, полу, регионам; особенно важно показать, кто выигрывает/теряет от отсевa.
- Механизмы: медиационный анализ (peer composition, ресурсы школы, траектории перехода в ВУЗ/профессиональную подготовку).
6) Оценка внешней значимости и политических выводов
- Оценивать не только средние эффекты, но и распределение эффектов (квантили), и взвешивать пользу эффективности (функционализм) vs. ухудшение мобильности (конфликтная перспектива).
- Рекомендации по политике базируются на компромиссе: если RD показывает большие негативные эффекты на мобильность, предложения: откладывать отсев, смягчать последствия через компенсирующие программы для низкого SES, улучшать прозрачность и критерии отбора.
7) Краткая схема реализации (практически)
- Собрать когорту школьников с данными о предельных тестах и треках + линк к налоговым/административным данным к возрасту 30.
- Если есть порог — сделать RD; если поэтапное введение — DiD; дополнительно sibling FE и IV.
- Провести проверки чувствительности, исследовать механизмы и различия по SES.
Если нужно, могу коротко написать конкретные тесты и команды для анализа (например, модель RD локально-линейная, McCrary, событие‑study диаграммы) и пример полных регрессионных спецификаций.