我們利用 Heckman 兩階段估計法來檢證透過他人提供工作訊息取得現職 者之地位取得。在第一階段裡，我們利用 probit 估計法來檢證影響他人提供有 關工作機會的訊息與否之因素；在第二階段裡，我們將檢證三種工作訊息類型 對於個人地位取得的影響。
（一）第一階段：他人提供有關工作機會的訊息與否
在第一階段裡，我們建立了三個模型，逐一控制受訪者的父親教育程度、
父親 TREI 分數、16 歲時的居住地區、性別、族群、初職 TREI 分數、年齡、
年齡平方項，以及社會資本等變項，以便瞭解哪些變項影響他人提供有關工作 機會的訊息。模型估計結果陳列表 5。
在模型一中，我們控制了受訪者的父親教育程度、父親 TREI 分數，以及 16 歲時的居住地區等變項。當我們控制了這些變項後，發現到受訪者的父親 教育程度對於他人提供有關工作機會的訊息有顯著的正面效應，代表父親教育 程度愈高的受訪者，愈有可能得到他人提供有關工作機會的訊息；受訪者的父 親 TREI 分數對於他人提供有關工作機會的訊息沒有顯著的效應；在受訪者的 16 歲時居住地區方面，相對於居住非大都市者，居住大都市者對於他人提供 有關工作機會的訊息有顯著的正面效應，代表相對於居住非大都市者，居住大 都市者較可能得到他人提供有關工作機會的訊息。
在模型二中，我們控制了受訪者的性別、族群、初職 TREI 分數、年齡，
以及年齡平方項等變項。當我們控制了這些變項後，發現到這些變項對於他人 提供有關工作機會的訊息都沒有顯著的效應。另方面，父親教育程度仍維持顯 著的正面效應，但是迴歸係數較模型一略微下降；16 歲時居住大都市者則是 維持顯著的正面效應，並且迴歸係數亦較模型一略微上升。
在模型三中，我們控制了社會資本。當我們控制了社會資本後，發現到社 會資本對於他人提供有關工作機會的訊息有顯著的正面效應，代表受訪者擔任 現職時當時的的社會資本愈多，愈有可能得到他人提供有關工作機會的訊息。
因此，假設一獲得支持。另方面，父親教育程度仍維持顯著的正面效應，但是 相對於模型二，迴歸係數有略微下降；16 歲時居住大都市者則是維持顯著的
正面效應，並且迴歸係數亦較模型二略微上升。
■表 5 透過他人提供工作訊息取得現職與否的 Probit 模型
變項名稱 模型一 模型二 模型三
父親教育年數 .036** .032** .024*
(.011) (.012) (.012)
父親職業 TREI 分數 .001 .001 .001
(.004) (.004) (.004) 16 歲時居住地區（對照組：非大都市）
大都市 .196* .203* .205*
(.089) (.091) (.092) 性別（對照組：女性）
男性 .016 .048
(.083) (.085) 族群（對照組：閩南人）
客家人 .046 .037
(.120) (.122)
外省人 -.024 -.002
(.136) (.139)
初職 TREI 分數 -.000 -.003
(.004) (.004)
年齡（取得現職時） .025 .018
(.034) (.035)
年齡（取得現職時）平方項 -.000
(.000)
-.000 (.000)
社會資本（取得現職時） .182***
(.044)
變項名稱 模型一 模型二 模型三
常數項 -.510*** -.796 -.475
(.140) (.569) (.588) Log likelihood -647.930 -637.637 -612.195
Pseudo R2 .017 .020 .033
樣本數 960 948 921
註：括號內為係數標準誤。*p < .05, **p < .01, ***p < .001。
（二）第二階段：地位取得（現職 TREI 分數）
在第二階段裡，我們建立了兩個模型，逐一控制受訪者的性別、族群、初 職 TREI 分數、年齡、年齡平方項，以及三種工作訊息類型等變項，以便瞭解 三種工作訊息類型對於個人地位取得的影響。模型估計結果陳列表 6。
在模型一中，我們控制了受訪者的性別、族群、初職 TREI 分數、年齡以 及年齡平方項等變項。當我們控制了這些變項後，發現到受訪者的性別及族群 對於現職 TREI 分數沒有顯著的效應，而初職 TREI 分數、年齡以及年齡平方 項對於現職 TREI 分數則有顯著的效應。初職 TREI 分數對於現職 TREI 分數 有顯著的正面效應，代表受訪者的初職 TREI 分數愈高，現職 TREI 分數亦愈 高；年齡對於現職 TREI 分數有顯著的正面效應，但是年齡平方項卻是顯著的 負面效應，代表受訪者擔任現職當時的年齡愈大，現職 TREI 分數愈低。
在模型二中，我們控制了關於目前的工作、公司（機關）內的其他工作及 公司（機關）外的其他工作等三種工作訊息類型。當我們控制了三種工作訊息 類型後，發現到公司（機關）內其他工作的訊息對於現職 TREI 分數有顯著的 正面效應，代表獲得公司（機關）內其他工作的訊息者的現職 TREI 分數較未 獲得者高。因此，假設三獲得支持。關於目前的工作和公司（機關）外的其他 工作等兩種工作訊息類型則對於現職 TREI 分數沒有顯著的效應，代表獲得目 前工作訊息者或公司（機關）外的其他工作訊息者與未獲得者在現職 TREI 分 數上是沒有差異的。因此，假設二和假設四都未獲得支持。
■表 5 透過他人提供工作訊息取得現職與否的 Probit 模型（續）
最後，兩個模型的 Mill 反比例都是顯著的。因此，在這兩個模型中，樣 本選擇偏誤問題是存在的。Mill 反比例的負係數表示，如果直接採用 OLS 估 計三種工作訊息類型對於個人地位取得的影響，由其所產生的估計係數是高估 的，需要向下修正。
■表 6 透過他人提供工作訊息取得現職者的地位取得模型
（Heckman Two-Step）
變項名稱 模型一 模型二
性別（對照組：女性）
男性 1.186 1.401
(1.497) (1.447)
族群（對照組：閩南人）
客家人 1.088 .986
(2.144) (2.069)
外省人 -1.174 -1.092
(2.351) (2.266)
初職 TREI 分數 .554*** .550***
(.063) (.061)
年齡（取得現職時） 1.248* 1.202*
(.613) (.592)
年齡（取得現職時）平方項 -.018* -.018*
(.009) (.008)
工作訊息類型
關於目前的工作 1.072
(1.342)
關於公司內的其他工作 4.181**
(1.612)
變項名稱 模型一 模型二
關於公司外的其他工作 1.064
(1.506)
常數項 15.582 14.214
(11.210) (1.961)
Mill 反比例 -18.568*** -17.898***
(4.664) (4.523)
Wald 卡方檢定 89.70*** 103.68***
全部樣本數 921 921
透過他人提供工 作訊息取得現職 者的樣本數
411 411
註：括號內為係數標準誤。*p < .05, **p < .01, ***p < .001。
表 7 是不考慮樣本選擇誤差的問題，直接採用 OLS 來估計三種工作訊息 類型對於個人地位取得的影響結果。在三種工作訊息類型上，只有公司（機 關）內其他工作的訊息對於現職 TREI 分數有顯著的正面效應，並且係數高於 表六的係數。在控制變項上，初職 TREI 分數、年齡和年齡平方項對於現職 TREI 分數有顯著的正面效應，並且係數高於表 6 的係數。
■表 7 透過他人提供工作訊息取得現職者的地位取得模型（OLS）
變項名稱 模型一 模型二
性別（對照組：女性）
男性 .637 1.616
(.682) (1.019) 族群（對照組：閩南人）
客家人 -.043 1.016
■表 6 透過他人提供工作訊息取得現職者的地位取得模型
（Heckman Two-Step）（續）
變項名稱 模型一 模型二 (.974) (1.460)
外省人 1.013 .405
(1.077) (1.557)
初職 TREI 分數 .559*** .578***
(.029) (.043)
年齡（取得現職時） .818** 1.375***
(.261) (.402)
年齡（取得現職時）平方項 -.014*** -.022***
(.004) (.006)
工作訊息類型
關於目前的工作 1.342
(1.282)
關於公司（機構）內的其他工作 4.381**
(1.522)
關於公司（機構）外的其他工作 1.733
(1.419)
常數項 7.659 -4.710
(4.395) (6.822)
adj. R2 .308 .343
樣本數 1,012 443
註：括號內為係數標準誤。*p < .05, **p < .01, ***p < .001。