Dehaene et al., 2006).Correlations

Dehaene et al., 2006).
Correlations between measures are given in Table 2.
We began our analysis by assessing the full model involving all the
variables. Then we gradually deleted some of the variables, taking
theirweight and our hypotheses into account. The initialmodel thus involved
the nonsense shapes, sequential dot matrix, simultaneous dot
matrix, jigsaw puzzle and dot matrix tasks, and the VPTA tests as independent
variables. The total score for the intuitive geometry task served as the mediator and the MT geometry achievement task as the dependent
variable.
Path model 1 was saturated. The fit was completely adequate
(Tables 3, 4; Fig. 4).
In Path model 2, we deleted the direct effects of nonsense shapes,
sequential dot matrix, simultaneous dot matrix, dot matrix tasks and
VPTA on MT geometry achievement, since the relationships between
these variables and MT geometry achievement were not significant.
The fit indices of the model were perfect (Table 3), but the relationships
between the nonsense shapes, simultaneous dot matrix and
VPTA variables, and the intuitive geometry task were not significant
(Table 4).
In Path model 3, the nonsense shapes, simultaneous dot matrix
and VPTA were deleted. The fit indices of the model were perfect
(Table 3).
In Path model 4a, the dot matrix task and the non-significant correlation
between the sequential dot matrix and jigsaw puzzle were
deleted (Fig. 4, Table 4). In this model, the sequential dot matrix
and jigsaw puzzle, in conjunction with the mediation of the intuitive
geometry task, predicted the MT geometry achievement; the intuitive
geometry task and the jigsaw puzzle directly predicted MT geometry
achievement. The resulting fit indices were excellent (Table 3). This
model explained 14% of the MT geometry achievement variance. In
Path model 4b, we attempted to delete the direct effect of the jigsaw
puzzle on the MT geometry achievement task, but the fit indices became
worse (Table 3). Since the model 4b was nested in the model
4a, we calculated the chi-square difference between the two models,
χ2
D(1)=4.11, p=.043 (right tail), finding the fit of the model 4a statistically
better than that the model 4b. We therefore opted for the
Path model 4a.
mediator variables (instead of single mediator variables of
intuitive geometry). Based on the fit indices, this model was unacceptable
(Table 3). In Path model 5b, we introduced a direct path
from CP to CMP of geometry and the fit indices improved significantly
(Table 3), but the path from VSWM to CP, and the direct effect of CP
on the MT advanced geometry task were poor.
In Path model 6a, we considered CP as an independent variable,
(Fig. 5). In this model, the CP, the sequential dot matrix, and the jigsaw
puzzle, with the mediation of CMP of geometry, were able to predict
MT geometry achievement; CP and CMP of geometry, and the
jigsaw puzzle task also directly predicted MT geometry achievement
(Table 4). The fit indices were very good (Table 3). This model
explained 14% of the variance for the MT geometry achievement
task. In Path model 6b, we attempted to delete the direct effect of the jigsaw puzzle task on the MT-advanced geometry task, and the fit
indices were good (see Table 4). Nevertheless, since model 6b was
nested in model 6a, we also calculated the chi-square difference between
the two models; the chi-square was significant (χ2
D=4.05,
p=.044 [right tail]), showing that the fit for the model 6a was statistically
better than for the model 6b. In Path model 6c, we tested a
model including CP with a path on the sequential dot matrix and
the jigsaw puzzle task with a path on the CMP of geometry with a
path on the MT advanced geometry task, but the model did not converge.
We consequently selected the Path model 6a (Fig. 6).1

ผลลัพธ์ (ไทย) 1:

Dehaene และ al., 2006)ความสัมพันธ์ระหว่างมาตรการที่กำหนดในตารางที่ 2เราเริ่มเราวิเคราะห์จากแบบเต็มที่ทั้งหมดเกี่ยวข้องกับการตัวแปร แล้วเราค่อย ๆ ถูกลบของตัวแปร การtheirweight และสมมุติฐานของเราเป็นต้น Initialmodel ที่เกี่ยวข้องดังนั้นรูปร่างเหลวไหล จุดตามลำดับ จุดพร้อมกันเมทริกซ์ งานจิ๊กซอว์และจุด และ VPTA การทดสอบความเป็นอิสระตัวแปร คะแนนรวมในงานเรขาคณิตง่ายที่เป็นกลางและงานสำเร็จเรขาคณิต MT เป็นผู้อยู่ในอุปการะตัวแปรรูปแบบเส้นทางที่ 1 มีการอิ่มตัว พอดีไม่สมบูรณ์เพียงพอ(ตารางที่ 3, 4 Fig. 4)ในแบบจำลองเส้นทาง 2 เราลบผลกระทบโดยตรงของเหลวไหลรูปร่างจุดตามลำดับ พร้อมจุด จุดงาน และVPTA บน MT เรขาคณิตความสำเร็จ ตั้งแต่ความสัมพันธ์ระหว่างตัวแปรและ MT เรขาคณิตความสำเร็จเหล่านี้ไม่สำคัญดัชนีพอดีของแบบจำลองสมบูรณ์ (ตาราง 3), แต่ความสัมพันธ์ระหว่างรูปร่างเหลวไหล จุดพร้อมกัน และตัวแปร VPTA และงานเรขาคณิตง่ายไม่สำคัญ(ตาราง 4)ในแบบจำลองเส้นทาง 3 รูปร่างเหลวไหล จุดพร้อมกันและ VPTA ถูกลบออก ดัชนีพอดีรุ่นเหมาะมาก(ตาราง 3)ในเส้นทางรุ่น 4a จุดงาน และความสัมพันธ์ไม่สำคัญระหว่างจุดตามลำดับและจิ๊กซอว์ได้ลบ (Fig. 4 ตาราง 4) ในรุ่นนี้ จุดตามลำดับจิ๊กซอว์ ปริศนา ร่วมกับกาชาดของที่ใช้งานง่ายและงานเรขาคณิต ทำนายความสำเร็จทางเรขาคณิต MT การใช้งานง่ายงานเรขาคณิตและปริศนาจิ๊กซอว์โดยตรงคาดว่า เรขาคณิต MTความสำเร็จ ดัชนีพอดีผลก็ดี (ตาราง 3) นี้แบบจำลองอธิบาย 14% ของผลต่างผลสัมฤทธิ์ทางเรขาคณิต MT ในเส้นทางรุ่น 4b เราพยายามลบผลกระทบโดยตรงของจิ๊กซอว์ปริศนาโรงงาน MT เรขาคณิตสำเร็จ แต่กลายเป็นดัชนีให้พอดีแย่ลง (ตาราง 3) ตั้งแต่ 4b รุ่นซ้อนอยู่ในรูปแบบ4a เราคำนวณ chi-square ผลต่างระหว่างสองรุ่นΧ2(1) D = 4.11, p =. 043 (ขวาหาง), ค้นหาพอดี 4a แบบจำลองทางสถิติดีกว่าที่ 4b รุ่น เราจึงตกลงยินยอมในการเส้นทางรุ่น 4aตัวแปร mediator (แทนตัวแปร mediator เดียวใช้งานง่ายรูปทรงเรขาคณิต) ตามดัชนีพอดี รุ่นนี้ไม่สามารถยอมรับ(ตาราง 3) ในเส้นทางรูป 5b เราแนะนำเส้นทางโดยตรงจาก CP กับ CMP ของเรขาคณิตและดัชนีพอดีขึ้นอย่างมีนัยสำคัญ(ตาราง 3), แต่เส้นทางจาก VSWM CP และผลกระทบโดยตรงของ CPงาน MT เรขาคณิตขั้นสูงได้ดีในเส้นทางรุ่น 6a เราถือว่า CP เป็นตัวแปรอิสระ(Fig. 5) ในรุ่นนี้ จุด จุดตามลำดับ และจิ๊กซอว์ปริศนา กับกาชาดของ CMP ของเรขาคณิต มีความสามารถในการทำนายMT เรขาคณิตสำเร็จ CP และ CMP ของเรขาคณิต และงานจิ๊กซอว์โดยตรงยังทำนาย MT เรขาคณิตสำเร็จ(ตาราง 4) ดัชนีพอดีได้ดี (ตาราง 3) รูปแบบนี้อธิบาย 14% ของผลต่างสำหรับความสำเร็จทางเรขาคณิต MTงาน ในเส้นทางรุ่น 6b เราพยายามลบผลกระทบโดยตรงของงานจิ๊กซอว์งานเรขาคณิตขั้นสูง MT และพอดีดัชนีได้ดี (ดูตารางที่ 4) อย่างไรก็ตาม เนื่องจากถูกรุ่น 6bซ้อนในรุ่น 6a เรายังคำนวณความแตกต่างของ chi-square ระหว่างรุ่นสอง chi-square ไม่สำคัญ (χ2D = 4.05p =. 044 [ขวาหาง]), แสดงว่า พอดีสำหรับ 6a รุ่นถูกทางสถิติดีกว่าสำหรับ 6b รุ่น ในแบบจำลองเส้นทาง 6c เราทดสอบการแบบจำลองรวมถึง CP ด้วยเส้นทางบนจุดตามลำดับ และงานจิ๊กซอว์กับเส้นทางบน CMP ของเรขาคณิตด้วยการเส้นทางบน MT ขั้นสูงงานเรขาคณิต แต่แบบไม่ได้มาบรรจบกันเราจึงเลือก 6a รุ่นพาธ (Fig. 6) .1

ผลลัพธ์ (ไทย) 2:

Dehaene et al., 2006).
ความสัมพันธ์ระหว่างมาตรการที่จะได้รับในตารางที่ 2 เราเริ่มการวิเคราะห์ของเราโดยการประเมินรูปแบบเต็มรูปแบบที่เกี่ยวข้องกับทุกตัวแปร แล้วเราค่อยลบบางส่วนของตัวแปรการtheirweight และสมมติฐานของเราเข้าบัญชี initialmodel จึงเกี่ยวข้องกับรูปร่างที่ไร้สาระที่จุดเมทริกซ์ตามลำดับจุดพร้อมกันเมทริกซ์, จิ๊กซอว์และงานดอทเมทริกซ์และการทดสอบ VPTA เป็นอิสระตัวแปร คะแนนรวมสำหรับงานที่ใช้งานง่ายรูปทรงเรขาคณิตที่ทำหน้าที่เป็นคนกลางและรูปทรงเรขาคณิตมอนแทนางานความสำเร็จในขณะที่ขึ้นอยู่กับตัวแปร. เส้นทางรูปแบบ 1 อิ่มตัว พอดีเพียงพอสมบูรณ์(ตารางที่ 3, 4. รูปที่ 4). ในเส้นทางรูปแบบที่ 2 เราลบผลกระทบโดยตรงของรูปทรงที่ไร้สาระทเมทริกซ์ตามลำดับทเมทริกซ์พร้อมกันงานทเมทริกซ์และVPTA ต่อผลสัมฤทธิ์ทางการเรขาคณิตมอนแทนาตั้งแต่ ความสัมพันธ์ระหว่างตัวแปรเหล่านี้และความสำเร็จเรขาคณิตมอนแทนาไม่ได้อย่างมีนัยสำคัญ. ดัชนีเหมาะสมของรูปแบบที่สมบูรณ์แบบ (ตารางที่ 3) แต่ความสัมพันธ์ระหว่างรูปทรงที่ไร้สาระทเมทริกซ์พร้อมกันและตัวแปรVPTA และงานรูปทรงเรขาคณิตที่ใช้งานง่ายไม่ได้อย่างมีนัยสำคัญ(ตารางที่ 4). ในรูปแบบเส้นทางที่ 3 รูปร่างเรื่องไร้สาระ, ทเมทริกซ์พร้อมกันและVPTA ถูกลบ ดัชนีเหมาะสมของรูปแบบที่สมบูรณ์แบบ(ตารางที่ 3). ในรูปแบบเส้นทาง 4a งานทเมทริกซ์และความสัมพันธ์ที่ไม่ได้มีนัยสำคัญระหว่างทเมทริกซ์ลำดับและจิ๊กซอว์ที่ถูกลบ(รูปที่. 4 ตารางที่ 4) ในรูปแบบนี้เมทริกซ์จุดตามลำดับและจิ๊กซอว์ร่วมกับการไกล่เกลี่ยของที่ใช้งานง่ายงานเรขาคณิตทำนายผลสัมฤทธิ์ทางการเรียนเรขาคณิตมอนแทนานั้น ใช้งานง่ายงานเรขาคณิตและจิ๊กซอว์ที่คาดการณ์โดยตรงเรขาคณิตมอนแทนาผลสัมฤทธิ์ทางการเรียน ดัชนีพอดีส่งผลให้ยอดเยี่ยม (ตารางที่ 3) ซึ่งรูปแบบการอธิบาย 14% ของความสำเร็จเรขาคณิตมอนแทนาแปรปรวน ในเส้นทางรูปแบบ 4b เราพยายามที่จะลบผลกระทบโดยตรงของจิ๊กซอว์ปริศนาในรูปทรงเรขาคณิตงานความสำเร็จมอนแทนาแต่ดัชนีพอดีกลายเป็นแย่ลง (ตารางที่ 3) ตั้งแต่รูปแบบ 4b ถูกซ้อนกันในรูปแบบ4a เราคำนวณความแตกต่างที่ไคสแควร์ระหว่างสองรุ่นχ2 D (1) = 4.11, p = 0.043 (หางขวา) หาพอดีของรูปแบบ 4a สถิติที่ดีกว่าว่ารูปแบบ 4b ดังนั้นเราจึงเลือกใช้สำหรับรูปแบบเส้นทาง 4a. ตัวแปรคนกลาง (แทนตัวแปรคนกลางเดียวของรูปทรงเรขาคณิตที่ใช้งานง่าย) ขึ้นอยู่กับดัชนีพอดีรุ่นนี้เป็นที่ยอมรับไม่ได้(ตารางที่ 3) ในรูปแบบเส้นทาง 5b เราแนะนำเส้นทางตรงจากซีพีซีเอ็มพีของเรขาคณิตและดัชนีพอดีดีขึ้นอย่างมีนัยสำคัญ(ตารางที่ 3) แต่เส้นทางจาก VSWM เพื่อซีพีและผลกระทบโดยตรงของซีพีในงานเรขาคณิตมอนแทนาขั้นสูงที่น่าสงสารในรูปแบบเส้นทาง 6a เราถือว่า CP เป็นตัวแปรอิสระ(รูปที่. 5) ในรูปแบบนี้ซีพี, เมทริกซ์จุดตามลำดับและจิ๊กซอว์จิ๊กซอว์ที่มีการไกล่เกลี่ยของซีเอ็มพีของเรขาคณิตที่มีความสามารถในการทำนายผลสัมฤทธิ์ทางการเรียนเรขาคณิตมอนแทนา; ซีพีและซีเอ็มพีของเรขาคณิตและจิ๊กซอว์งานยังคาดการณ์ความสำเร็จโดยตรงเรขาคณิตมอนแทนา(ตารางที่ 4) ดัชนีพอดีดีมาก (ตารางที่ 3) แบบจำลองนี้อธิบาย 14% ของความแปรปรวนสำหรับเรขาคณิตมอนแทนาความสำเร็จงาน ในรูปแบบเส้นทาง 6b เราพยายามที่จะลบผลกระทบโดยตรงจากการงานที่จิ๊กซอว์ในงานเรขาคณิตมอนแทนาขั้นสูงและพอดีดัชนีดี(ดูตารางที่ 4) แต่เนื่องจากรูปแบบ 6b ถูกซ่อนอยู่ในรูปแบบที่6a เรายังคำนวณความแตกต่างที่ไคสแควร์ระหว่างสองรุ่น; ไคตารางอย่างมีนัยสำคัญ (χ2 D = 4.05, p = 0.044 [หางด้านขวา]) แสดงให้เห็นว่าเหมาะสำหรับรูปแบบ 6a เป็นสถิติที่ดีกว่าสำหรับรุ่น6b ใน 6c รูปแบบเส้นทางที่เราทดสอบรูปแบบรวมทั้งซีพีกับเส้นทางในจุดเมทริกซ์ตามลำดับและงานจิ๊กซอว์ที่มีเส้นทางที่ซีเอ็มพีของเรขาคณิตที่มีเส้นทางวิ่งในงานเรขาคณิตมอนแทนาขั้นสูงแต่รูปแบบไม่ได้มาบรรจบกัน. เรา จึงเลือกรูปแบบเส้นทาง 6a (รูปที่. 6) 0.1

ผลลัพธ์ (ไทย) 3:

dehaene et al . , 2006 ) .
ความสัมพันธ์ระหว่างมาตรการยกให้เป็นตาราง 2 .
เราเริ่มต้นการวิเคราะห์ของเรา โดยการประเมินเต็มรูปแบบที่เกี่ยวข้องกับตัวแปรทั้งหมด

แล้วเราค่อยลบบางส่วนของตัวแปรและสมมติฐานของเรา
theirweight จดลงในบัญชี การ initialmodel จึงเกี่ยวข้อง
ไร้สาระ รูปร่างของเมทริกซ์จุด ( จุด
พร้อมกัน Matrix , จิ๊กซอว์และ DOT Matrix งานและ vpta แบบตัวแปรอิสระ

คะแนนสำหรับงานเรขาคณิตง่าย ทำหน้าที่เป็นสื่อกลาง และมีผลงานเป็น MT เรขาคณิตตัวแปร
.
เส้นทางแบบที่ 1 คือ อิ่มตัว พอดีเป็น
เพียงพออย่างสมบูรณ์ ( ตารางที่ 3 , 4 ; รูปที่ 4 ) .
ในเส้นทางนางแบบ 2 เราลบผลโดยตรงของไร้สาระรูปร่าง
เมทริกซ์จุด ( จุดพร้อมกันเมทริกซ์ดอทเมทริกซ์และงาน
vpta MT เรขาคณิต ผลสัมฤทธิ์ทางการเรียน เนื่องจากความสัมพันธ์ระหว่างตัวแปรผลสัมฤทธิ์ทางการเรียนเรขาคณิต และตัน

พอดีไม่สําคัญ ดัชนีแบบสมบูรณ์แบบ ( ตารางที่ 3 ) แต่ความสัมพันธ์ระหว่างรูปทรง
ไร้สาระเมทริกซ์จุดพร้อมกัน และ vpta
ตัวแปร , และงานเรขาคณิตง่ายไม่ได้ ที่สำคัญ ( ตารางที่ 4 )
.
ในเส้นทางแบบ 3เรื่องไร้สาระที่รูปร่างพร้อมกัน
vpta Dot Matrix และถูกลบไป พอดีหารุ่นที่สมบูรณ์แบบ
( ตารางที่ 3 ) .
ในเส้นทางแบบ 4A , Dot Matrix งาน และไม่มีความสัมพันธ์ระหว่างเมทริกซ์จุด ต่อเนื่องและ

( ภาพจิ๊กซอว์ ) ลบ 4 ตารางที่ 4 ) รุ่นนี้ เป็นแบบ Dot Matrix
และปริศนาจิ๊กซอว์ ควบคู่กับการใช้งานง่าย
งานทำนายผลสัมฤทธิ์ทางการเรียนเรขาคณิตเรขาคณิต ) ; ใช้งานง่าย
เรขาคณิตงานและปริศนาจิ๊กซอว์เรขาคณิตโดยตรง )
ทำนายผลสัมฤทธิ์ทางการเรียน ส่งผลให้พอดีกับดัชนียอดเยี่ยม ( ตารางที่ 3 ) รุ่นนี้
อธิบาย 14% ของ MT เรขาคณิต ผลสัมฤทธิ์ทางการเรียน ความแปรปรวน ใน
เส้นทางแบบ 4B , เราพยายามที่จะลบทางตรงของจิ๊กซอว์ปริศนาในผลสัมฤทธิ์ทางการเรียนเรขาคณิต
) งานแต่พอดีดัชนีกลายเป็น
เลว ( ตารางที่ 3 ) เนื่องจากแบบจำลอง 4B ก็ซ้อนกันในรูปแบบ
4A เราคำนวณ ไคสแควร์ ความแตกต่างระหว่างสองรุ่น χ

2 D ( 1 ) = 4.11 , p = . 043 ( หาง ) , ค้นหาพอดีของรุ่น 4A สถิติ
ดีกว่าแบบ 4B เราจึงเลือกใช้สำหรับ รูปแบบเส้นทาง 4A
.
ตัวแปรสื่อกลาง ( แทนเดียวระหว่างตัวแปร
เรขาคณิตง่าย )ยึดพอดีกับดัชนี แบบนี้มันรับไม่ได้
( ตารางที่ 3 ) ในเส้นทางนางแบบบี เราแนะนำเส้นทางโดยตรงจาก CP เพื่อประสิทธิภาพ
เรขาคณิตและพอดีกับดัชนีเพิ่มขึ้นอย่างมาก
( ตารางที่ 3 ) แต่เส้นทางจาก vswm CP และผลกระทบโดยตรงของ CP
บน MT ขั้นสูงเรขาคณิตงานยากจน .
ในรูปแบบเส้นทาง 6A เราถือว่า CP เป็น ตัวแปรอิสระ ,
( ภาพที่ 5 ) ในรูปแบบนี้ , ซีพีเมทริกซ์จุด ต่อเนื่องและจิ๊กซอว์
ปริศนาด้วยการไกล่เกลี่ยของ CMP ของรูปทรงเรขาคณิตสามารถทำนาย
ตันเรขาคณิตผลสัมฤทธิ์ ซีพี และประสิทธิภาพของเรขาคณิตและ
ปริศนาจิ๊กซอว์งานโดยตรง ทำนายผลสัมฤทธิ์ทางการเรียนเรขาคณิต )
( ตารางที่ 4 ) พอดีดัชนีที่ดีมาก ( ตารางที่ 3 ) รุ่นนี้
อธิบาย 14 % ของความแปรปรวนในผลสัมฤทธิ์ทางการเรียนเรขาคณิต
) งาน ในเส้นทางรุ่น 6B ,เราพยายามที่จะลบ ผลโดยตรงของจิ๊กซอว์งานบน MT ขั้นสูงเรขาคณิตและงานพอดี
ดัชนีดี ( ดูตารางที่ 4 ) อย่างไรก็ตาม ตั้งแต่รุ่น 6B เป็น
ซ้อนกันในรูปแบบ 6A , เรายังคำนวณความแตกต่างระหว่างไคสแควร์
2 รูปแบบ ไคสแควร์อย่างมีนัยสำคัญทางสถิติ ( χ
D
2 = 4.05 , p = . 044 [ ใช่หาง ] ) , แสดงให้เห็นว่าเหมาะสำหรับรูปแบบ 6A อย่างมีนัยสำคัญ
ดีกว่าสำหรับรุ่นแรง ในรูปแบบ 6 เส้นทาง เราทดสอบ
รุ่นรวม CP กับเส้นทางบนเมทริกซ์จุด ต่อเนื่องและ
จิ๊กซอว์งานกับเส้นทางบนประสิทธิภาพของเรขาคณิตกับ
เส้นทางบน MT ขั้นสูงเรขาคณิตงาน แต่รูปแบบไม่บรรจบ .
เราจึงเลือก รูปแบบเส้นทาง 6A ( ภาพที่ 6 ) .