Information Capital and Household Education Choice: Evidence from China
-
摘要: 提升家庭层面的人力资本投资是解决我国人力资本投资不足、拉动居民消费的关键环节之一。本研究集中讨论了以互联网为代表的信息资本对家庭教育选择与投资的影响。利用“中国家庭追踪调查”2014年和2016年追踪数据，本文建立配套亲子样本，应用泛精确匹配和加权回归方法，探究了信息资本是否有助于家庭突破信息约束以参与教育选择和教育投资。研究结果表明，使用互联网的家庭更有可能参与择校、选择进入重点校，且参与校外补习的概率与参与程度也显著提升。互联网使用带动了家庭教育投资的提高，尤其是选择性投资与校外补习投资。这种积极效果随着互联网的普及逐步衰退。此外，信息资本对家庭教育选择的积极影响受到制度约束，面临升学瓶颈的流动儿童并未从家庭互联网使用中获益。Abstract: Increasing household education expenditure is critical for improving human capital investment and expanding household consumption in China. This study analyzes how information capital embedded in internet usage influences household’s education choice and investment. Based on 2014 and 2016 wave of China Family Panel Survey data, this paper constructs a parent-child matched sample and uses the Coarsened Exact Match method to estimate the causal effect of using internet on human capital investment, and evaluate how inter-household variation in access to internet influences education investment gap. This study shows that mother’s internet use significantly increases the likelihood of a household’s participating in education choice in terms of school choice, school quality choice, and after-school tutoring. Information capital also induces families to spend more money on non-mandatory education expenditure and private tutoring. However, such positive effect disappears as the access to internet expands over time. Moreover, migrant children are less likely to benefit from this kind of digital dividend.1) ①本研究的数据以CFPS的少儿数据库为基础，通过匹配社区库、家庭关系库、家庭库和成人库获得每位少儿父母的信息、家庭的信息、所在地区的信息。CFPS定义的少儿年龄为16岁以下。2) ②作者感谢匿名审稿人对选取衡量信息资本变量的建议。CFPS2014年问卷调查了个人“是否使用互联网”，上网的途径包含通过电话线、局域网、无线网等各种方式接入互联网的行为。尽管考虑到使用手机上网是当前十分普遍的接入互联网的方式，但CFPS2014年问卷调查中并未调查个人是否使用手机上网，仅调查了个人“是否使用手机”。因此，选择“是否使用互联网”作为本研究的核心自变量更为合适。3) ③这种方法成立所需的假设较少（仅需要干预的分配与可观测的自变量无关），而且它保障匹配后的控制组与对照组的组内差距不会大于研究者事先选择的范围。当研究者调整一个变量的平衡性时，其他变量的平衡性不会受到影响。与倾向性匹配得分等方法相比，泛精确匹配能够显著降低数据的不平衡性、模型依赖性、估计误差、数据总体方差和均方差。该方法符合统计学的一致性原则、对测量误差不敏感、能够自动将数据限制在共同区间范围内，并提高计算的效率（Iacus，King，& Porro，2009；Iacus et al.，2012；King et al.，2011；Stuart，2010）。4) ④CEM的STATA应用程序可以从以下网址下载，
https://gking.harvard.edu/cem 。泛精确匹配的具体原理参见Gary King与合作者的系列研究论文（Iacus et al.，2009，2012；King et al.，2011；Stuart，2010）。5) ⑤在2014年的全体样本中，匹配成功的样本为1284人，未成功样本为1593人，成功匹配率为45%。在836位使用互联网的母亲中，CEM为54%的母亲进行了成功的匹配；在未使用的2041位母亲中，41%的母亲成功地参与了匹配。匹配前后的多元非平衡性指标从0.745下降为0.264，这表明在匹配后控制组和对照组的分布重合率达到了73.6%。2016年样本的泛精确匹配同样保留了足够数量的样本：匹配成功的样本为1949人，未成功样本为502人，成功匹配率为79.5%。在1338位使用互联网的母亲中，CEM为74%的母亲进行了成功的匹配；在未使用的1113位母亲中，86%的母亲成功地参与了匹配。匹配前后的多元非平衡性指标从0.578下降为0.292，这表明在匹配后控制组和对照组的分布重合率达到了70.8%。6) ⑥必需性投资是指子女完成受教育活动必不可少的支出项目，包括交通费、住宿费、托儿费、在校伙食费。选择性投资是指子女受教育过程中父母可以自主选择是否支出的支出项目，包括学杂费、书费（非学校发放）、校外辅导费、择校赞助费、教育软件费。7) ⑦2014年率先使用互联网的家庭重视择校和校外补习，对校内选择重点班不感兴趣，即具备信息优势的家庭重视学校间选择，而非学校内班级的选择。2016年率先使用互联网的家庭仍然重视择校，但是对于校内班级的选择与其他家庭没有差异。这一变化反映了随着互联网的普及，它对家庭学校内班级选择的影响不再显著。 -
表 1 2014年母亲互联网使用对家庭教育选择的影响
学校选择 校外补习参与 （1）择校 （2）重点校 （3）重点班 （4）校外补习参与 （5）校外辅导种类数 （6）参与学校课程辅导 （7）参与才艺培养 （8）学校课程辅导时间 母亲使用
互联网1.37
（0.32）1.41*
（0.28）0.22***
（0.09）1.45*
（0.31）1.29*
（0.17）1.45*
（0.33）1.41
（0.48）0.79*
（0.41）子女特征 子女为男性 1.08
（0.29）1.27
（0.26）0.54
（0.21）1.13
（0.26）1.07
（0.15）1.55*
（0.40）0.47**
（0.15）1.08**
（0.50）子女年龄 1.04
（0.09）0.91
（0.05）1.04
（0.11）1.03
（0.06）1.04
（0.04）1.20***
（0.08）0.81**
（0.08）0.05
（0.13）子女为少数民族 0.78
（0.46）0.81
（0.34）0.48
（0.34）0.97
（0.48）1.10
（0.30）0.78
（0.42）1.33
（0.82）0.79
（1.23）子女为初中生 2.15*
（0.99）1.01
（0.38）6.25**
（4.58）0.60
（0.24）0.64*
（0.16）0.39**
（0.16）1.58
（0.98）0.36
（0.91）子女就读
重点学校2.25***
（0.58）— 4.16***
（1.42）1.57*
（0.39）1.36**
（0.20）1.27
（0.34）2.06**
（0.73）0.25
（0.45）子女就读
重点班4.23***
（1.80）3.53***
（1.23）— 1.25
（0.53）1.12
（0.30）2.12*
（0.90）0.15**
（0.13）0.40
（0.74）子女择校 — — 3.49***
（1.34）0.83
（0.26）0.82
（0.16）0.93
（0.30）0.67
（0.26）−0.60
（0.43）农村户籍-
城乡迁移少儿0.93
（0.34）1.12
（0.30）0.37**
（0.17）0.69
（0.21）0.74*
（0.13）0.55*
（0.18）0.96
（0.45）−0.97
（0.73）农村户籍-
未迁移少儿0.84
（0.31）0.84
（0.28）1.41
（0.69）0.39***
（0.13）0.46***
（0.11）0.34***
（0.12）0.66
（0.38）−1.01
（0.79）子女属于寄宿生 2.13*
（0.88）1.24
（0.48）1.71
（0.83）0.36**
（0.18）0.58
（0.22）0.30*
（0.19）1.50
（0.91）−0.75
（0.85）父母自评子女
语文成绩1.31
（0.23）1.03
（0.14）1.12
（0.24）0.89
（0.14）0.94
（0.08）0.81
（0.14）1.36
（0.34）−0.14
（0.33）父母自评子女
数学成绩1.10
（0.17）1.20
（0.16）1.75***
（0.35）1.24
（0.18）1.16*
（0.10）1.22
（0.19）1.31
（0.31）0.24
（0.34）家庭特征 家庭人均年
收入
（对数）0.72**
（0.10）1.11
（0.15）0.87
（0.18）1.90***
（0.31）1.61***
（0.16）1.68***
（0.30）1.95***
（0.48）0.44**
（0.22）家庭子女个数 0.83
（0.17）0.82
（0.14）1.03
（0.26）0.65**
（0.12）0.74**
（0.09）0.79
（0.16）0.40***
（0.13）0.20
（0.34）母亲受教育程度 是 是 是 是 是 是 是 是 母亲职业 是 是 是 是 是 是 是 是 省份虚拟变量 是 是 是 是 是 是 是 是 观测值数 1166 1213 1160 1206 1209 1165 1013 1208 调整后R方/
伪R方0.206 0.104 0.381 0.213 0.174 0.212 0.280 0.054 注：1. 母亲学历的对照组为文盲；母亲职业的对照组为无工作；子女户籍对照组为非农户籍。模型控制了省份虚拟变量，对照组是北京。
2. 括号内是稳健标准误。
3. 显著性水平：*p<0.10，**p<0.05，***p<0.01。
4. （1）（2）（3）（4）（6）（7）列的估计采用二元逻辑斯特回归，表中呈现的是比值比；（5）列采用有序逻辑斯特回归，表中呈现的是比值比；（8）列采用多元线性回归。
下载: 导出CSV
表 2 2014年母亲互联网使用对家庭教育投资的影响
总投资 必需性投资 选择性投资 校外补习投资 母亲使用互联网 0.20**（0.08） 0.12（0.12） 0.22**（0.09） 0.27***（0.10） 其他控制变量 子女性别、年龄、学段 是 是 是 是 子女就读重点校、重点班、择校、寄宿 是 是 是 是 父母自评子女语文成绩、数学成绩 是 是 是 是 母亲学历 是 是 是 是 母亲职业 是 是 是 是 家庭收入和子女个数 是 是 是 是 省份虚拟变量 是 是 是 是 观测值数 1174 592 1143 411 调整后R方 0.410 0.252 0.456 0.388 注：1. 母亲学历的对照组为文盲；母亲职业的对照组为无工作；子女户籍对照组为非农户籍。模型控制了省份虚拟变量，对照组是北京。
2. 括号内是稳健标准误。
3. 显著性水平：*p<0.10，**p<0.05，***p<0.01。
4. 表中因变量取对数，估计采用了多元线性回归。
下载: 导出CSV
表 3 2016年母亲互联网使用对家庭教育选择的影响
学校选择 校外补习参与 （1）择校 （2）重点校 （3）重点班 （4）校外补习参与 （5）校外辅导种类数 （6）参与学校课程辅导 （7）参与才艺培养 （8）学校课程辅导时间 母亲使用互联网 1.41*
（0.28）1.51**
（0.28）0.99
（0.30）1.53
（0.42）1.50***
（0.23）2.18
（1.06）1.40
（0.66）1.87
（4.30）其他控制变量 子女性别、年龄、
民族、学段、寄宿是 是 是 是 是 是 是 是 子女就读重点校 是 否 是 是 是 是 是 是 子女就读重点班 是 是 否 是 是 是 是 是 子女择校 否 是 是 是 是 是 是 是 父母自评子女语文、数学成绩 是 是 是 是 是 是 是 是 母亲学历 是 是 是 是 是 是 是 是 母亲职业 否 否 否 否 否 否 否 否 家庭收入 是 是 是 是 是 是 是 是 子女个数 是 是 是 是 是 是 是 是 省份虚拟变量 是 是 是 是 是 是 是 是 观测值数 1741 1795 1769 766 1797 263 263 194 调整后R方/伪R方 0.109 0.146 0.254 0.227 0.221 0.312 0.353 0.087 注：1. 母亲学历的对照组为文盲；母亲职业的对照组为无工作；子女户籍对照组为非农户籍。模型控制了省份虚拟变量，对照组是北京。
2. 括号内是稳健标准误。
3. 显著性水平：*p<0.10，**p<0.05，***p<0.01。
4. （1）（2）（3）（4）（6）（7）列的估计采用二元逻辑斯特回归，表中呈现的是比值比；（5）列采用有序逻辑斯特回归，表中呈现的是比值比；（8）列采用多元线性回归。
下载: 导出CSV
表 4 2016年母亲互联网使用对家庭教育总投资、校外补习投资的影响
总投资 校外补习投资 母亲使用互联网 0.15** −0.04 （0.07） （0.18） 其他控制变量 子女性别、年龄、学段 是 是 子女就读重点校、重点班、择校、寄宿 是 是 父母自评子女语文成绩、数学成绩 是 是 母亲学历 是 是 母亲职业 否 否 家庭收入和子女个数 是 是 省份虚拟变量 是 是 观测值数 1442 237 调整后R方 0.315 0.376 注：1. 母亲学历的对照组为文盲；子女户籍对照组为非农户籍。模型控制了省份虚拟变量，对照组是北京。
2. 括号内是稳健标准误。
3. 显著性水平：*p<0.10，**p<0.05，***p<0.01。
4. 表中因变量取对数，估计采用了多元线性回归。
下载: 导出CSV
表 5 2014年母亲互联网使用对校外辅导参与影响的城乡差异
校外辅导参与 校外辅导种类数 非农户籍 农村户籍−流动 农村户籍−未迁移 非农户籍 农村户籍−流动 农村户籍−未迁移 母亲使用互联网 1.54*（0.37） 1.75**（0.49） 1.73*（0.52） 1.37**（0.17） 1.38*（0.27） 1.51*（0.34） 其他控制变量 省份 是 是 是 是 是 是 家庭和母亲特征 是 是 是 是 是 是 子女特征 是 是 是 是 是 是 观测值数 635 603 1266 645 610 1395 伪R方 0.174 0.194 0.176 0.111 0.154 0.176 注：1. 母亲学历的对照组为文盲；母亲职业的对照组为无工作；子女户籍对照组为非农户籍。模型控制了省份虚拟变量，对照组是北京。
2. 括号内是稳健标准误。
3. 显著性水平：*p<0.10，**p<0.05，***p<0.01。
下载: 导出CSV
表 6 2014年母亲互联网使用对家庭教育投资影响的城乡差异
总投资 选择性投资 校外补习投资 非农村
户籍农村户籍−
流动农村户籍−
未迁移非农村
户籍农村户籍−
流动农村户籍−
未迁移非农村
户籍农村户籍−
流动农村户籍−
未迁移母亲使用互联网 0.36**
（0.16）0.11
（0.16）0.14
（0.14）0.32***
（0.11）0.09
（0.14）0.19*
（0.11）0.20*
（0.12）0.13
（0.14）0.35*
（0.18）其他控制变量 省份 是 是 是 是 是 是 是 是 是 家庭及母亲特征 是 是 是 是 是 是 是 是 是 子女特征 是 是 是 是 是 是 是 是 是 观测值数 260 228 540 623 581 1295 388 211 227 调整后R方 0.163 0.554 0.373 0.257 0.270 0.182 0.265 0.393 0.297 注：1. 母亲学历的对照组为文盲；母亲职业的对照组为无工作；子女户籍对照组为非农户籍。模型控制了省份虚拟变量，对照组是北京。
2. 括号内是稳健标准误。
3. 显著性水平：* p<0.10，** p<0.05，*** p<0.01。
下载: 导出CSV
-
[1] 鲍威, 金红昊, 肖阳. (2019). 阶层壁垒与信息鸿沟: 新高考改革背景之下的升学信息支持. 中国高教研究,309(05),43−52. [2] 德普克, 齐利博蒂. (2019). 爱、金钱和孩子: 育儿经济学（吴娴、鲁敏儿译, 王永钦校）. 上海: 格致出版社、上海人民出版社. [3] 丁小浩, 翁秋怡. (2015). 职业权力与家庭教育支出——基于政治经济学视角的实证分析. 教育研究,36(8),33−41. [4] 郭秋菊, 靳小怡. (2016). 农民工的母亲对子女重大决策的影响研究. 社会,36(5),222−241. [5] 哈巍, 靳慧琴. (2018). 教育经费与学区房溢价——以北京市为例. 教育与经济,141(1),37−43. [6] 胡咏梅, 范文凤, 丁维莉. (2015). 影子教育是否扩大教育结果的不均等——基于 PISA 2012 上海数据的经验研究. 北京大学教育评论,13(3),29−46. doi: 10.3969/j.issn.1671-9468.2015.03.003 [7] 黄晓婷, 魏易. (2018). 校外培训行业发展现状: 基于中国教育财政家庭调查数据的分析. 引自王蓉(主编), 中国教育新业态发展报告(2017). 社会科学文献出版社. [8] 李春玲. (2014). 教育不平等的年代变化趋势(1940—2010)——对城乡教育机会不平等的再考察. 社会学研究, (2),65−89. [9] 李升. (2006). “数字鸿沟”: 当代社会阶层分析的新视角. 社会,26(6),81−81. [10] 李湘萍. (2008). 义务教育阶段择校行为与教育机会分布公平性研究——基于中国 18 个城市居民家庭教育选择支出的实证分析. 教育研究, (3),67−72. [11] 罗斯高. (2017). 农村儿童的发展怎样影响未来中国.取自: URL: http://www.sohu.com/a/192832894_299738.2019-11-10. [12] 闵维方. (2017). 教育促进经济增长的作用机制研究. 北京大学教育评论,15(3),123−136. [13] 钱晓烨, 迟巍, 史瑶. (2015). 义务教育阶段城镇家庭教育支出的构成及不平等: 来自2007 和2011 的实证证据. 教育与经济, (6),25−33. doi: 10.3969/j.issn.1003-4870.2015.06.004 [14] 王蓉, 田志磊. (2018). 迎接教育财政3.0 时代. 教育经济评论,3(1),26−46. [15] 王蓉. (2018). 总报告. 引自王蓉(主编), 中国教育新业态发展报告(2017). 北京: 社会科学文献出版社. [16] 魏建国, 罗朴尚, 宋映泉. (2011). 高中学生对大学成本和学生资助信息的知晓状况分析——基于对我国西部 41 个贫困县的调研. 教育发展研究, (21),7−13. [17] 魏易. (2019). 中国教育财政家庭调查报告 . 北京: 社会科学文献出版社. [18] 吴志强. (2003). 信息资本涵义探. 图书情报工作,47(10),50−54. doi: 10.3969/j.issn.0252-3116.2003.10.011 [19] 谢宇, 胡婧炜, 张春泥. (2014). 中国家庭追踪调查: 理念与实践. 社会,34(2),1−32. [20] 薛海平. (2016). 课外补习、学习成绩与社会再生产. 教育与经济, (2),32−43. doi: 10.3969/j.issn.1003-4870.2016.02.005 [21] 杨钋, 徐颖. (2017). 数字鸿沟与家庭教育投资不平等. 北京大学教育评论,15(4),126−154. [22] 周广肃, 梁琪. (2018). 互联网使用, 市场摩擦与家庭风险金融资产投资. 金融研究, (1),84−101. [23] 周森. (2018). 民办基础教育学校在服务于谁?. 引自王蓉(主编), 中国教育新业态发展报告(2017). 北京: 社会科学文献出版社. [24] 郅庭瑾, 陈纯槿. (2019). 互联网使用时间对中学生学科素养的影响研究——基于互联网使用动机的视角. 华东师范大学学报 (教育科学版),37(6),61−74. [25] 中国互联网络信息中心. (2018). 第42次中国互联网络发展状况统计报告. URL: http://www.cac.gov.cn/2018-08/20/c_1123296882.htm. [26] Agee, M. D., & Crocker, T. D. (1996). Parents' discount rates for child quality. Southern Economic Journal, 63(1), 36−50. doi: 10.2307/1061301 [27] Armor, D. J., & Peiser, B. M. (1998). Interdistrict choice in Massachusetts. In Paul E. Peterson and Bryan C. Hassel (Eds.), Learning from school choice. Washington, DC: Brookings Institution Press. [28] Attewell, P. (2001). Comment: The first and second digital divides. Sociology of education, 74(3), 252−259. doi: 10.2307/2673277 [29] Attewell P, & Battle, J. (1999). Home computers and school performance. The Information Society, 15, 1−10. [30] Aurini, J., & Davies, S. (2004). The transformation of private tutoring: Education in a franchise form. Canadian Journal of Sociology, 29(3), 419−438. [31] Baker, D. P., Akiba, M., LeTendre, G. K. & Wiseman, A. W. (2001). Worldwide shadow education: Outside‐school learning, institutional quality of schooling, and cross-national mathematic achievement. Educational Evaluation and Policy Analysis, 23(1), 1−17. doi: 10.3102/01623737023001001 [32] Belo, R., Ferreira, P., & Telang, R. (2013). Broadband in school: Impact on student performance. Management Science, 60(2), 265−282. [33] Bergman, P. and Hill, M. (2015), The Effects of Making Performance Information Public: Evidence from Los Angeles Teachers and a Regression Discontinuity Design. CESifo Working Paper Series No. 5383. [34] Bergman, P. (2015). Parent-Child Information Frictions and Human Capital Investment: Evidence from a Field Experiment. CESifo Working Paper No. 5391. [35] Blau, P. (1977). Inequality and heterogeneity. New York: Free Press. [36] Bray, M., Ding, X., & Huang, P. (2004). Reducing the burden on the poor: Household costs of basic education in Gansu, China. International Studies in Educational Administration, 26(4), 445−447. [37] Bray, M. (1999). The shadow education system: Private tutoring and its implications for planners. Fundamentals of Educational Planning No. 61. Paris: UNESCO International Institute for Educational Planning. [38] Buchmann, C., Condron, D. J., & Roscigno, V. J. (2010). Shadow education, American style: Test preparation, the SAT and college enrollment. Social Forces, 89(2), 435−461. doi: 10.1353/sof.2010.0105 [39] Byun, S. (2010). Does policy matter in shadow education spending? revisiting the effects of the high school equalization policy in South Korea. Asia Pacific Education Review, 11(1), 83−96. doi: 10.1007/s12564-009-9061-9 [40] Chi, W., & Qian, X. (2016). Human capital investment in children: An empirical study of household child education expenditure in China, 2007 and 2011. China Economic Review, 37, 52−65. doi: 10.1016/j.chieco.2015.11.008 [41] Crook, C. J. (1995). The role of mothers in the educational and status attainment of Australian men and women. Journal of Sociology, 31(2), 45−73. doi: 10.1177/144078339503100202 [42] Dang, H. A., & Rogers, F. H. (2008). The growing phenomenon of private tutoring: Does it deepen human capital, widen inequalities, or waste resources?. The World Bank Research Observer, 23(2), 161−200. doi: 10.1093/wbro/lkn004 [43] Davies, A. S. (2004a). The transformation of private tutoring: education in a franchise form. The Canadian Journal of Sociology, 29(3), 419−438. [44] Davies, A. S. (2004b). School choice by default? Understanding the demand for private tutoring in Canada. American Journal of Education, 110(3), 233−255. doi: 10.1086/383073 [45] Davies, S., Aurini, J., & Quirke, L. (2002). New markets for private education in Canada. Education Canada, 42, 36−38. [46] Dimaggio, P., & Hargittai, E. (2001). From the ‘digital divide’ to ‘digital inequality’. Working paper series NO. 15. Princeton University. [47] Donkoh, S. A., & Amikuzuno, J. A. (2011). The determinants of household education expenditure in Ghana. Educational Research & Reviews, 6(8), 570−579. [48] Donohue, G. A., Tichenor, P. J., & Olien, C. N. (1975). Mass media and the knowledge gap a hypothesis reconsidered. Communication Research, 2(1), 3−23. doi: 10.1177/009365027500200101 [49] Escueta, M., Quan, V., Nickow, A. J., & Oreopoulos, P. (2017). Education technology: An evidence-based review. NBER Working Papers No. 23744. [50] Fairlie, R. W., & Robinson, J. (2013). Experimental evidence on the effects of home computers on academic achievement among schoolchildren. American Economic Journal: Applied Economics, 5(3), 211−40. doi: 10.1257/app.5.3.211 [51] Fuchs, T., & Wößmann, L. (2004). What accounts for international differences in student performance?. CESifo working paper No. 1235. [52] Greene, J P., W G. Howell, & Peterson, P. E. (1998). Lessons from the Cleveland Scholarship Program. In Paul E. Peterson and Brian C. Hassel (Eds.), Learning from school choice. Washington, DC: Brookings Institution Press. [53] Hastings, J. S., & Weinstein, J. M. (2008). Information, school choice, and academic achievement: Evidence from two experiments. The Quarterly journal of economics, 123(4), 1373−1414. doi: 10.1162/qjec.2008.123.4.1373 [54] Hastings, J. S., Van Weelden, R., & Weinstein, J. (2007). Preferences, information, and parental choice behavior in public school choice (No. w12995). National Bureau of Economic Research. [55] Haywood, T. (1995). Info rich-Info poor: access and exchange in the global information society. London: Bowker Saur. [56] Iacus, S. M., King, G., & Porro, G. (2012). Causal inference without balance checking: Coarsened exact matching. Political Analysis, 20(1), 1−24. doi: 10.1093/pan/mpr013 [57] James, E. (1986). The private nonprofit provision of education: A theoretical model and application to Japan. Journal of Comparative Economics, 10(3), 255−276. doi: 10.1016/0147-5967(86)90098-3 [58] Jensen, R. (2010). The (perceived) returns to education and the demand for schooling. The Quarterly Journal of Economics, 125(2), 515−548. doi: 10.1162/qjec.2010.125.2.515 [59] Kleitz, B., Weiher, G. R., Tedin, K., & Matland, R.. (2000). Choice, charter schools, and household preferences. Social Science quarterly, 846-854. [60] Lai, F., Liu, C., Luo, R., Zhang, L., Ma, X., Bai, Y., & Rozelle, S. (2014). The education of China's migrant children: The missing link in China's education system. International Journal of Educational Development, 37, 68−77. doi: 10.1016/j.ijedudev.2013.11.006 [61] Lee, J. (2007). Two worlds of private tutoring: The prevalence and causes of after-school mathematics tutoring in Korea and the United States. Teachers College Record, 109(5), 1207−1234. [62] Loyalka, P., Song, Y., Wei, J., Zhong, W., & Rozelle, S. (2013). Information, college decisions and financial aid: Evidence from a cluster-randomized controlled trial in China. Economics of Education Review, 36, 26−40. doi: 10.1016/j.econedurev.2013.05.001 [63] Mayer, S. E., Kalil, A., Oreopoulos, P., & Gallegos, S. (2015). Using behavioral insights to increase parental engagement: The parents and children together (PACT) intervention. National Bureau of Economic Research Working paper No. w21602. [64] Mori, I., & Baker, D. (2010). The origin of universal shadow education: What the supplemental education phenomenon tells us about the postmodern institution of education. Asia Pacific Education Review, 11(1), 36−48. doi: 10.1007/s12564-009-9057-5 [65] Na, Y. M., & Yoon, J. H. (2011). The effect of the mother’s educational aspirations and the household's characteristics on private educational expenditures. Korean Journal of Human Ecology, 20(6), 1199−1212. doi: 10.5934/KJHE.2011.20.6.1199 [66] Nguyen, T. (2008). Information, Role Models and Perceived Returns to Education: Experimental Evidence from Madagascar. MIT Working Paper. [67] Oreopoulos, P., & Dunn, R. (2013). Information and college access: Evidence from a randomized field experiment. The Scandinavian Journal of Economics, 115(1), 3−26. doi: 10.1111/j.1467-9442.2012.01742.x [68] Pais, J., & ágnes Pintér . (2008). School choice and information: An experimental study on matching mechanisms. Games & Economic Behavior, 64(1), 0−328. [69] Park, H., Byun, S. Y., & Kim, K. K. (2011). Parental involvement and students’ cognitive outcomes in Korea: Focusing on private tutoring. Sociology of Education, 84(1), 3−22. doi: 10.1177/0038040710392719 [70] Park, H., Buchmann, C., Choi, J. & Merry, J. J. (2016). Learning beyond the school walls: Trends and implications. Annual Review of Sociology, 42, 231−252. doi: 10.1146/annurev-soc-081715-074341 [71] Piketty, T. (2014). Capital in the twenty-first century: A multidimensional approach to the history of capital and social classes. British Journal of Sociology, 65(4), 736−747. doi: 10.1111/1468-4446.12115 [72] Piketty, T., & Saez, E. (2003). Income inequality in the United States: 1913-1998. Quarterly Journal of Economics, 118(1), 1−39. doi: 10.1162/00335530360535135 [73] Piketty, T., & Zucman, G. (2014). Capital is back: wealth-income ratios in rich countries 1700–2010. Cepr Discussion Papers, 129(3), 1255−1310. [74] Ramey, G., & Ramey, V. A. (2010). The rug rat race. Brookings Papers on Economic Activity, (1), 129−199. [75] Reeder, A. L., & Conger, R. D. (1984). Differential mother and father influences on the educational attainment of black and white women. Sociological Quarterly, 25(2), 239−250. doi: 10.1111/j.1533-8525.1984.tb00185.x [76] Schneider, D., Hastings, O. P. & LaBriola, J. (2018). Income inequality and class divides in parental investments. American Sociological Review, 83(3), 475−507. doi: 10.1177/0003122418772034 [77] Schneider, M., & Buckley, J. (2002). What do parents want from schools? evidence from the internet. Educational Evaluation and Policy Analysis, 24(2), 133−144. doi: 10.3102/01623737024002133 [78] Schneider, M., Marschall, M., Teske, P., & Roch, C. (1998). School choice and culture wars in the classroom: What different parents seek from education. Social Science Quarterly, 79(3), 489−501. [79] Tichenor, P. J., Donohue, G. A., & Olien, C. N. (1970). Mass media flow and differential growth in technology. Public Opinion Quarterly, 34(2), 159−170. doi: 10.1086/267786 [80] Vanourek, G., Manno, B. V., Finn, C. E., & Bierlein Palmer, L. E. (1998). Charter schools as seen by students, teachers, and parents. In Peterson, P. E. & Hassel, B. Learning from school choice (pp. 187-211). Brookings Institute. [81] York, B., & Susanna, L. (2014). One Step at a Time: The Effects of an Early Literacy Text Messaging Program for Parents of Preschoolers. NBER Working Paper No. 20659. [82] Zhang, W., & Bray, M. (2015). Shadow education in Chongqing, China: Factors underlying demand and policy implications. KEDI Journal of Educational Policy, 12(1). [83] Zhang, Y., & Xie, Y. (2016). Family background, private tutoring, and children’s educational performance in contemporary China. Chinese sociological review, 48(1), 64−82. doi: 10.1080/21620555.2015.1096193 -
