这个问题这么理解吧，一个多元线性回归模型，其R^2一般情况下都不可能是1的，说明选取的自变量基本永远不可能100%解释因变量所有的变异。套到你这个问题上来，不同的学者从不同的关注出发点（视角）去解释因变量的变异（如你例子中举的收入决定模型），出发点不一样，关注的自变量自然不一样，模型可能都用同样的参数，但文章的写作，模型的解释侧重点就不一样了。比如你举的例子，收入决定模型，有的从教育出发来解释，有的从性别出发，有的还可以从职业培训等等。这些解释都没有所谓的对错，只是关注点不同。不过有一点共性的是，即使是从不同的角度来解释模型，大家都加了一些公认的控制变量。如不信你去看收入决定模型的例子，即使从性别角度去解释，作者的模型中也会包含年龄、教育等控制变量。即一切所谓关注的理论都是在一定的前提条件下去说的。祝好运~

有什么建议或者与这个模型行为学基础直接相关的参考资料推荐吗？

有什么建议或者与这个模型行为学基础直接相关的参考资料推荐吗？

ologit模型就我个人所知道的，就是适用于因变量为有序类别变量的情形。而你的这个模型的因变量就是这个。方法上在我个人看来应该是没错的。

我觉得这个问题关键在于排名的产生机制是什么。楼主要记得oprobit和ologit这样的模型是有假定存在的不可观测的连续变量的，即latent continuous variable。你的自变量之所以是离散的，是因为你观测不到这个连续变量。
所以说，如果你的排名是根据某个观测不到的连续变量来了，那应该就可以用。不然就不行。
举个例子：如果你是通过举重测体力，但是你只提供三个重物，20公斤，50公斤，100公斤。然后根据被测试的人能举起哪个重物得到一些123这样的自变量。这个例子里，被测试者能举起的重量就是你没有观测到的连续变量。
另外一个例子：用筷子把玻璃球从一个碗夹去另一个碗。总共只有10个球。如果10秒之内夹完9个以上一等奖，6到8个二等奖，3-5个三等奖。得到的123这样的自变量其实就不太适合ologit这样的模型。因为你观测不到的是个取值较少的离散变量。