最近在研究男女工资差异，刚结束筛选数据阶段。现在在做oaxaca在stata中的实现。
下面是结果。

. oaxaca lnincome edu exp expsq party married kgender2 kgender3 area2 area3, by (gender) noisily detail cluster (id)

Model for group 1

      Source |       SS       df       MS              Number of obs =    3364
-------------+------------------------------           F(  9,  3354) =   96.68
       Model |  413.061403     9  45.8957114           Prob > F      =  0.0000
    Residual |  1592.25934  3354  .474734447           R-squared     =  0.2060
-------------+------------------------------           Adj R-squared =  0.2039
       Total |  2005.32074  3363  .596289247           Root MSE      =  .68901

------------------------------------------------------------------------------
    lnincome |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
         edu |   .0643783   .0038048    16.92   0.000     .0569184    .0718382
         exp |    .024276   .0057829     4.20   0.000     .0129377    .0356144
       expsq |   -.000548   .0001145    -4.79   0.000    -.0007725   -.0003235
       party |     .19782   .0343456     5.76   0.000     .1304795    .2651605
     married |   .2331533   .0488086     4.78   0.000     .1374556    .3288509
    kgender2 |  -.0619755   .0533061    -1.16   0.245    -.1664913    .0425404
    kgender3 |  -.0405377   .0530735    -0.76   0.445    -.1445974     .063522
       area2 |  -.0802683   .0382017    -2.10   0.036    -.1551693   -.0053673
       area3 |   .3427523   .0272112    12.60   0.000        .2894    .3961046
       _cons |   8.717215   .0722709   120.62   0.000     8.575516    8.858915
------------------------------------------------------------------------------

Model for group 2

      Source |       SS       df       MS              Number of obs =    2301
-------------+------------------------------           F(  9,  2291) =   81.60
       Model |  335.727677     9  37.3030752           Prob > F      =  0.0000
    Residual |  1047.32405  2291  .457147119           R-squared     =  0.2427
-------------+------------------------------           Adj R-squared =  0.2398
       Total |  1383.05173  2300  .601326838           Root MSE      =  .67613

------------------------------------------------------------------------------
    lnincome |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
         edu |    .081869   .0043991    18.61   0.000     .0732424    .0904957
         exp |   .0354111   .0072748     4.87   0.000     .0211452     .049677
       expsq |  -.0007656   .0001665    -4.60   0.000    -.0010922   -.0004391
       party |    .208627   .0538424     3.87   0.000      .103042    .3142119
     married |   .0971665   .0508282     1.91   0.056    -.0025076    .1968406
    kgender2 |  -.1480145    .060788    -2.43   0.015    -.2672198   -.0288092
    kgender3 |  -.1397136   .0606033    -2.31   0.021    -.2585566   -.0208706
       area2 |  -.0073612   .0462328    -0.16   0.874    -.0980237    .0833013
       area3 |   .2842073   .0324643     8.75   0.000     .2205447    .3478698
       _cons |   8.305193   .0817298   101.62   0.000     8.144921    8.465465
------------------------------------------------------------------------------

Blinder-Oaxaca decomposition                      Number of obs   =       5665

           1: gender = 0
           2: gender = 1

                                  (Std. Err. adjusted for 3842 clusters in id)
------------------------------------------------------------------------------
             |               Robust
    lnincome |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
Differential |
Prediction_1 |   9.954145   .0136762   727.84   0.000      9.92734     9.98095
Prediction_2 |   9.628072   .0164587   584.99   0.000     9.595813     9.66033
  Difference |   .3260736   .0188346    17.31   0.000     .2891585    .3629888
-------------+----------------------------------------------------------------
Endowments   |
         edu |  -.0119532   .0075475    -1.58   0.113     -.026746    .0028395
         exp |   .1015494    .023578     4.31   0.000     .0553374    .1477615
       expsq |  -.1060623   .0258648    -4.10   0.000    -.1567563   -.0553683
       party |   .0186526   .0050144     3.72   0.000     .0088245    .0284807
     married |   .0011023   .0011103     0.99   0.321    -.0010738    .0032784
    kgender2 |  -.0000878   .0014207    -0.06   0.951    -.0028723    .0026967
    kgender3 |  -.0009889   .0014165    -0.70   0.485    -.0037652    .0017874
       area2 |   -.000029   .0001804    -0.16   0.872    -.0003825    .0003246
       area3 |  -.0046628   .0028406    -1.64   0.101    -.0102303    .0009048
       Total |  -.0024796   .0118912    -0.21   0.835    -.0257859    .0208266
-------------+----------------------------------------------------------------
Coefficients |
         edu |  -.1830715   .0600995    -3.05   0.002    -.3008643   -.0652787
         exp |  -.2221978   .1810806    -1.23   0.220    -.5771093    .1327138
       expsq |   .1095283   .1017277     1.08   0.282    -.0898544     .308911
       party |  -.0008971   .0051879    -0.17   0.863    -.0110652    .0092711
     married |   .1137064   .0598786     1.90   0.058    -.0036535    .2310664
    kgender2 |   .0334285   .0295408     1.13   0.258    -.0244705    .0913274
    kgender3 |    .041722   .0316337     1.32   0.187    -.0202789    .1037228
       area2 |  -.0102026   .0074424    -1.37   0.170    -.0247895    .0043844
       area3 |   .0336615   .0221131     1.52   0.128    -.0096794    .0770024
       _cons |   .4120225   .1058155     3.89   0.000      .204628    .6194169
       Total |   .3277002   .0174302    18.80   0.000     .2935376    .3618629
-------------+----------------------------------------------------------------
Interaction  |
         edu |   .0025537    .001812     1.41   0.159    -.0009977    .0061051
         exp |  -.0319323   .0261583    -1.22   0.222    -.0832016    .0193369
       expsq |   .0301496   .0280857     1.07   0.283    -.0248974    .0851966
       party |  -.0009662   .0055882    -0.17   0.863    -.0119188    .0099864
     married |   .0015427   .0015123     1.02   0.308    -.0014213    .0045068
    kgender2 |   .0000511   .0008268     0.06   0.951    -.0015694    .0016715
    kgender3 |    .000702   .0010915     0.64   0.520    -.0014374    .0028413
       area2 |   -.000287   .0005436    -0.53   0.597    -.0013526    .0007785
       area3 |  -.0009605   .0008533    -1.13   0.260    -.0026329    .0007119
--more--


新人刚学习stata，好不容易找到了oaxaca分解的stata指令，但是对结果却不知道怎么下手。
endowments. coefficient. interaction. 都代表什么意思呢？
如果我想计算每个indep var 对男女工资差异的解释大小，我该选用哪些有用的信息来进行计算呢？
希望对oaxaca有所了解的朋友指导我一下啦！谢谢啦！