Η παρουσίαση φορτώνεται. Παρακαλείστε να περιμένετε

Η παρουσίαση φορτώνεται. Παρακαλείστε να περιμένετε

Εφαρμογές της Στατιστικής σε εμπειρικές έρευνες Αθανάσιος Κατσής Πανεπιστήμιο Πελοποννήσου Τμήμα Κοινωνικής και Εκπαιδευτικής Πολιτικής

Παρόμοιες παρουσιάσεις


Παρουσίαση με θέμα: "Εφαρμογές της Στατιστικής σε εμπειρικές έρευνες Αθανάσιος Κατσής Πανεπιστήμιο Πελοποννήσου Τμήμα Κοινωνικής και Εκπαιδευτικής Πολιτικής"— Μεταγράφημα παρουσίασης:

1 Εφαρμογές της Στατιστικής σε εμπειρικές έρευνες Αθανάσιος Κατσής Πανεπιστήμιο Πελοποννήσου Τμήμα Κοινωνικής και Εκπαιδευτικής Πολιτικής

2 Θέματα που θα μας απασχολήσουν Η έννοια της προστιθέμενης αξίας Θέματα δειγματοληψίας Στάθμιση ερωτηματολογίου

3 Value-added modeling (VAM) in education Value added refers to "extra" feature(s) of an item of interest (product, service, person etc.) that go beyond the standard expectations and provide something "more" while adding little or nothing to its cost. Value-added features give competitive edges.

4 Educational context Teacher’s evaluation is a difficult, sensitive, subjective and multifaceted issue. Evaluate teachers based on students’ “progress-improvement” during a certain time period (usually a school-year)

5 Why VAM? Measuring the annual student progress instead of a fixed grade enables the researcher to isolate other variables such as school environment, socioeconomic status and focus on teacher’s work.

6 VAM features No Child Left Behind Act (NCLB) Funding based on each school district’s “Adequate Yearly Progress” (AYP) Many states have used empirical data to allocate funding and have also developed quantitative tools VAM combines statistically adjusted test score gains achieved by a teacher’s students. Teachers are then compared to other teachers in the district based on these adjusted aggregate gains. Statistically demanding procedures, need to develop understandable guides for policymakers.

7 Educational Value-Added Assessment System (EVAAS) Running in Tennessee since 1993 and in many other states. The basic model is an equation that expresses the score of a student at the end of a particular grade in a particular year as the sum of three components: Student score = District average + Teacher effect+ Error term So Teacher effect ≈ Student score - District average

8 EVAAS in the following year Student score the next year = District average + Teacher effect+ Teacher effect from previous year + Error term

9 EVAAS – final step If we subtract the first-year score from the second-year score, we obtain the gain made by the student. According to the model, this must be the sum of: Average gain for that grade in the district Teacher effect of the second-year teacher The two error terms That is, ignoring the error terms, the teacher effect in the second year is the difference between the gain experienced by the student in that year and the average gain in the district for that same year.

10 Points of concern (1) At the conclusion of a value-added analysis, a number is associated with each teacher. This is a measure of teacher effectiveness (or teacher effect?) Problem with causal interpretation of the specific measure To achieve causality, the researcher needs to apply randomization (experimental procedure)- difficult in practice

11 Points of concern (2) Inappropriate allocation: Teachers with seniority are given more choice in the schools and classes they teach, parental influence Context effects: Student learning during the year is not just a function of a student’s ability and effort, and the teacher’s pedagogical skills. It is also affected by such factors as peer-to-peer interactions, overall classroom climate, resources. Missing data Not much data for every teacher especially in small districts, thus imprecise estimates

12 Θέματα δειγματοληψίας Μικρά ή μεγάλα δείγματα Πιλοτική ή κύρια έρευνα Ποσοτική ή ποιοτική προσέγγιση Διεθέσιμοι πόροι (resources) Μικρά δείγματα: Convenience, snowball sampling Μεγάλα δείγματα: Stratified, Cluster

13 Καλή πρακτική Σε μεγάλες έρευνες ιδανικότερη θεωρείται η δειγματοληψία κατά συστάδες (cluster sampling) σε συνδυασμό με στρωματοποιημένη (stratified sampling) Παραδειγμα: Δειγματοληψία εκπαιδευτικών από όλη την Ελλάδα Ερώτημα: Πως ορίζεται το στρώμα και η συστάδα ;

14 Μέγεθος δείγματος Ανάλυση ισχύος (Power analysis) Θεωρία κατά Bayes με βάση το συντελεστή αξιοπιστίας (Katsis and Limakopoulou) Εμπειρικοί πίνακες (Cohen and Manion)

15 Ανάλυση ισχύος Πόσο μεγάλο πρέπει να είναι το δείγμα ώστε να ανιχνευθούν ως στατιστικά σημαντικές επιδράσεις που είναι πραγματικά σημαντικές στον πληθυσμό (δηλ. να μην κάνω σφάλμα Τύπου ΙΙ);

16 Μεγάλο δείγμα όμως μπορεί να οδηγήσει σε στατιστικά σημαντική διαφορά χωρίς όμως αυτό να ισχύει στον πληθυσμό (σφάλμα Τύπου Ι) Τι πρέπει να γίνει; Γενικά το μεγάλο δείγμα έχει αρκετα θετικά σημεία στην εκτίμηση των παραμέτρων Πρέπει όμως να συνδυασθεί με τη χρήση άλλων δεικτών όπως effect sizes (ES)

17 Η χρήση των ES Είναι δείκτες που καταγραφουν διαφορές μεταξύ διαφόρων παραμέτρων, πχ μέσων όρων Ο πιο συνηθισμένος δείκτης είναι ο Cohen’s d Ενδεικτικά επίπεδα τιμών 0.20, 0.50, 0.80

18 Ένας γενικός τύπος

19 Using the reliability coefficient Focus on estimating the probability that the Cronbach’s alpha exceeds a pre- specified desirable level of accuracy in cluster sampling. The researcher obtains a very precise idea about the value of the coefficient alpha while incorporating her/his own prior beliefs about the study.

20 Optimal Sample Size It is a function of how strict the researcher is in estimating the probability of the alpha coefficient exceeding a threshold value and our previous knowledge about this probability.

21 Στάθμιση ερωτηματολογίου Μεταφορά ενός δοκιμασμένου ερευνητικού εργαλείου σε άλλη γλώσσα Εκτός από το θέμα της μετάφρασης υπάρχουν και άλλα ζητήματα όπως η πολιτιστική προσαρμογή, η κατανόηση των όρων καθώς και ζητήματα εγκυρότητα και αξιοπιστίας του νέου εργαλείου

22 Γενική προσέγγιση 1.Αρχική μετάφραση του ερωτηματολογίου 2.Αξιολόγηση του (1) 3.Πιλοτική εφαρμογή της μεταφρασμένης έκδοσης 4.Back-translation της μεταφρασμένης έκδοσης στην αρχική γλώσσα 5.Αξιολόγηση του (4) 6.Εκτίμηση εγκυρότητας και αξιοπιστίας της τελικής μεταφρασμένης έκδοσης

23 Εκγυρότητα-αξιοπιστία Για την εγκυρότητα χρησιμοποιούμε κυρίως Cronbach’s alpha and ICC (Intraclass Correlation Coef.) Για construct validity χρησιμοποιούμε συντελεστές συσχέτισης Για discriminant validity μπορούμε να εξετάσουμε διαφορές μέσων τιμών.


Κατέβασμα ppt "Εφαρμογές της Στατιστικής σε εμπειρικές έρευνες Αθανάσιος Κατσής Πανεπιστήμιο Πελοποννήσου Τμήμα Κοινωνικής και Εκπαιδευτικής Πολιτικής"

Παρόμοιες παρουσιάσεις


Διαφημίσεις Google