【C0165】Stata 回归与工具变量检验：用专业暴露率、招聘需求和满意度分析大模型冲击

本案例基于论文《大语言模型冲击与高等教育远期暴露率：测度方法、就业效应与满意度分析》及其公开复现数据整理，重点分析大语言模型如何通过“任务—职业—专业”的链条影响高校专业、企业招聘需求和学生专业满意度。研究首先利用职业任务数据和本科专业目录构建专业层面的 LLM 暴露率指标，再结合招聘平台数据、专业满意度数据和高校专业新增撤销数据，考察高暴露率专业是否面临更弱的岗位需求、更低的学生满意度以及更明显的专业结构调整。代码主要使用 Stata 完成，涉及高维固定效应回归、工具变量回归、异质性分析和分组统计检验，适合用于学习 AI 冲击测度、教育经济学实证分析和 Stata 论文复现流程。

复现结果显示，大语言模型冲击已经在招聘需求、学生满意度和高校专业调整中表现出明显影响。基准回归中，专业 LLM 暴露率对企业岗位需求份额变化的系数为 -0.1363，且在 1% 水平上显著，说明专业暴露率越高，企业对该专业相关岗位的新增招聘需求越弱。在剔除零招聘专业后，系数进一步为 -0.1601，同样显著为负。工具变量回归结果也保持一致，全样本第二阶段系数为 -0.2206，剔除零招聘专业后系数为 -0.3698，说明结论具有较强稳健性。

异质性分析显示，不同专业受到的 AI 冲击并不相同。STEM 专业的交互项系数为 0.1907，表明 STEM 专业受到的负向影响相对较弱；热门专业交互项系数为 -0.2150，说明热门高暴露专业的岗位需求收缩更明显；不限定研究生岗位的暴露率系数为 -0.1419，而仅限研究生岗位的系数为 -0.4303，说明高学历岗位也受到较强冲击。

专业满意度结果显示，专业 LLM 暴露率对专业综合满意度的系数为 -0.0373，对就业满意度的系数为 -0.0257，均在 1% 水平上显著。这说明高暴露率专业的学生对专业学习体验和就业前景评价更低。高校专业调整结果显示，新增专业平均 LLM 暴露率为 0.4614，撤销专业平均暴露率为 0.5256；新增专业综合满意度为 4.0994，撤销专业综合满意度为 3.9519。整体来看，新增专业呈现“低暴露、高满意”的特征，撤销专业则呈现“高暴露、低满意”的特征，说明高校专业调整已经在一定程度上回应了人工智能时代的人才需求变化。