True positive and capture rates. Tr

True positive and capture rates. True positive and capture
rates are measures of validity that are meaningful if a model’s
predicted values are used to identify students who are at high risk
of failing academically in the future. Here, the true positive rate is
defined as the probability of an unsuccessful outcome, given that
a student is flagged for intervention. The capture rate is the
probability of a student having been flagged, given that she or he
has an unsuccessful outcome. The true positive and capture rates
are calculated as functions of R for linear regression models
(Allen, Robbins, & Sawyer, 2010). Thus, the true positive and
capture rates do not provide additional evidence on predictive
validity (beyond that already provided by R). However, the rates
are a means of translating the purely statistical validity measure
(R) into one that is related to how the assessment system could be
used in practice (see Messick, 1994, for discussion of consequences
of assessment validity).
It was assumed that students ranking in the bottom p% of
predicted values (p
5, 10, 25) would be flagged, and true
positive and capture rates for identifying students with early high
school GPA less than 2.0 were calculated. Three models for
identifying at-risk students were compared for each outcome: (a)
random selection; (b) prior grades and EXPLORE Composite
scores; and (c) prior grades, EXPLORE Composite scores, psychosocial
variables, and behavioral indicators.
Dominance analysis. Because of correlation between and
within sets of predictor variables, the relative importance of a set
of predictor variables cannot be determined from regression coefficients.
Accordingly, the dominance analysis technique (Azen &
Budescu, 2003; Budescu, 1993) was used to compare the relative
importance of each set of predictors. Dominance analysis is based
on an examination of the R2 values for all possible subset models—
or all possible models formed by each possible combination
of predictor variables. The R2 attributed to each predictor is determined
by analyzing the R2 values for all subset models to which
the predictor belongs. The total amount of variation explained by
each set of predictor variables is then obtained by summing the R2
attributed to each predictor within the set. For more technical
details on how dominance analysis works, please see Budescu
(1993) or Azen and Budescu (2003).
The dominance analysis technique is applicable to this study
because the importance of each predictor is estimated irrespective
of order of model entry. It is also conceptually appealing in that it
makes no assumptions about the causal relationships between
predictor variables in the model. For example, the dominance
analysis technique allows us to measure the importance of academic
achievement measures and psychosocial variables in predicting
early high school GPA, without requiring us to specify a
model for the relationship between the psychosocial and academic
achievement variables. Such a model would likely need to capture
complex relationships—such as the effects that motivation, social
control, and self-regulation have on academic achievement and
behavior indicators. Also important to the present study, dominance
analysis allows us to estimate the importance of a set of
predictors. Thus, the relative importance of prior grades, academic
achievement, demographics, school characteristics, PSFs, and behavioral
indicators are compared.
Results

ผลลัพธ์ (ไทย) 1:

จริงบวก และจับราคา บวกจริงและจับมาตรการมีผลบังคับใช้ที่มีความหมายถ้าแบบจำลองมีราคาคาดการณ์ค่าใช้ระบุถึงนักเรียนที่มีความเสี่ยงสูงความล้มเหลวเดิมในอนาคต นี่ เป็นอัตราบวกจริงกำหนดเป็นความน่าเป็นของผลสำเร็จ ระบุว่านักเรียนถูกตั้งค่าสถานะสำหรับการแทรกแซง อัตราการจับน่าเป็นนักศึกษาที่มีการตั้งค่าสถานะ ให้ที่เธอหรือเขามีผลสำเร็จ บวกจริงและจับอัตราคำนวณเป็นฟังก์ชันของ R ในแบบจำลองถดถอยเชิงเส้น(อัลเลน ร็อบบินส์ และ Sawyer, 2010) ดังนั้น เป็นบวกจริง และราคาจับไม่ให้หลักฐานเพิ่มเติมในงานมีผลบังคับใช้ (นอกเหนือจากนั้นแล้วโดย R) อย่างไรก็ตาม อัตราซึ่งเป็นการวัดทางสถิติเพียงอย่างเดียวตั้งแต่การแปล(R) เป็นที่เกี่ยวข้องกับวิธี สามารถประเมินระบบใช้ในทางปฏิบัติ (ดูเม 1994 สำหรับการอภิปรายผลการประเมินมีผลบังคับใช้)มันเป็นสมมติที่จัดอันดับในด้านล่าง p %ของนักเรียนค่าคาดการณ์ (ใน p ที่ 5, 10, 25) จะมีค่าสถานะ และเป็นจริงบวก และจับและระบุนักเรียนกับต้นสูงราคาพิเศษมีคำนวณเกรดเฉลี่ยของโรงเรียนน้อยกว่า 2.0 รุ่นที่ 3 สำหรับนักเรียนมีความเสี่ยงที่ระบุถูกเปรียบเทียบสำหรับแต่ละผลลัพธ์: (a)สุ่มเลือก (ข) คะแนนก่อนและคอมโพสิต EXPLOREคะแนน และ เกรดก่อน (c) EXPLORE รวมคะแนน psychosocialvariables, and behavioral indicators.Dominance analysis. Because of correlation between andwithin sets of predictor variables, the relative importance of a setof predictor variables cannot be determined from regression coefficients.Accordingly, the dominance analysis technique (Azen &Budescu, 2003; Budescu, 1993) was used to compare the relativeimportance of each set of predictors. Dominance analysis is basedon an examination of the R2 values for all possible subset models—or all possible models formed by each possible combinationof predictor variables. The R2 attributed to each predictor is determinedby analyzing the R2 values for all subset models to whichthe predictor belongs. The total amount of variation explained byeach set of predictor variables is then obtained by summing the R2attributed to each predictor within the set. For more technicaldetails on how dominance analysis works, please see Budescu(1993) or Azen and Budescu (2003).The dominance analysis technique is applicable to this studybecause the importance of each predictor is estimated irrespectiveof order of model entry. It is also conceptually appealing in that itmakes no assumptions about the causal relationships betweenpredictor variables in the model. For example, the dominanceanalysis technique allows us to measure the importance of academicachievement measures and psychosocial variables in predictingearly high school GPA, without requiring us to specify amodel for the relationship between the psychosocial and academicachievement variables. Such a model would likely need to capturecomplex relationships—such as the effects that motivation, socialcontrol, and self-regulation have on academic achievement andbehavior indicators. Also important to the present study, dominanceanalysis allows us to estimate the importance of a set ofpredictors. Thus, the relative importance of prior grades, academicachievement, demographics, school characteristics, PSFs, and behavioralindicators are compared.Results

ผลลัพธ์ (ไทย) 2:

ทรูในเชิงบวกและอัตราการจับภาพ บวกและทรูจับ
อัตรามาตรการของความถูกต้องที่มีความหมายถ้ารูปแบบของ
ค่าที่คาดการณ์จะใช้ในการระบุตัวตนของนักเรียนที่มีความเสี่ยงสูง
ของความล้มเหลวในด้านวิชาการในอนาคต ที่นี่บวกอัตราที่แท้จริงคือ
กำหนดให้เป็นความน่าจะเป็นของผลที่ไม่ประสบความสำเร็จที่ได้รับว่า
นักเรียนถูกตั้งค่าสถานะสำหรับการแทรกแซง อัตราการจับภาพที่ถูก
น่าจะเป็นของนักเรียนที่ได้รับการตั้งค่าสถานะที่ระบุว่าเขาหรือเธอ
มีผลไม่ประสบความสำเร็จ บวกที่แท้จริงและอัตราการจับภาพ
จะคำนวณเป็นฟังก์ชั่นการวิจัยสำหรับรุ่นถดถอยเชิงเส้น
(อัลเลน, ร็อบบินส์และเลื่อย 2010) ดังนั้นบวกจริงและ
อัตราการจับภาพไม่ได้ให้หลักฐานเพิ่มเติมเกี่ยวกับการทำนาย
ความถูกต้อง (นอกเหนือจากที่ให้ไว้แล้วโดย R) อย่างไรก็ตามอัตราการ
มีวิธีการแปลวัดความถูกต้องทางสถิติอย่างหมดจด
(R) เป็นหนึ่งที่เกี่ยวข้องกับระบบการประเมินวิธีการที่สามารถนำมา
ใช้ในการปฏิบัติ (ดูสิค, ปี 1994 สำหรับการอภิปรายของผลกระทบ
ของความถูกต้องประเมิน).
สันนิษฐาน ว่านักเรียนการจัดอันดับใน p% ด้านล่างของ
ค่าที่คาดการณ์ (พี? 5, 10, 25) จะได้รับการตั้งค่าสถานะและความจริง
ในเชิงบวกและอัตราการจับภาพสำหรับการระบุนักเรียนที่มีความสูงต้น
โรงเรียนเกรดเฉลี่ยน้อยกว่า 2.0 จะถูกคำนวณ ทั้งสามรุ่นสำหรับ
การระบุนักเรียนที่มีความเสี่ยงถูกนำมาเปรียบเทียบในแต่ละผล (ก)
การสุ่มเลือก; (ข) เกรดก่อนและสำรวจคอมโพสิต
คะแนน; และ (ค) เกรดก่อนสำรวจคะแนนคอมโพสิต, จิตสังคม
ตัวแปรและตัวชี้วัดพฤติกรรม.
การวิเคราะห์การปกครอง เพราะความสัมพันธ์ระหว่างและ
ภายในชุดของตัวแปรที่สำคัญของชุด
ของตัวแปรไม่สามารถได้รับการพิจารณาจากค่าสัมประสิทธิ์การถดถอย.
ดังนั้นเทคนิคการวิเคราะห์การปกครอง (Azen และ
Budescu 2003; Budescu, 1993) ถูกใช้ในการเปรียบเทียบญาติ
ความสำคัญของการพยากรณ์ที่ชุดของแต่ละ การวิเคราะห์การปกครองจะขึ้น
อยู่กับการตรวจสอบของค่า R2 สำหรับ models- ย่อยเป็นไปได้ทั้งหมด
หรือรูปแบบที่เป็นไปได้ทั้งหมดที่เกิดขึ้นจากการรวมกันในแต่ละที่เป็นไปได้
ของตัวแปร R2 ประกอบกับแต่ละทำนายจะถูกกำหนด
โดยการวิเคราะห์ค่า R2 สำหรับทุกรุ่นย่อยซึ่ง
เป็นปัจจัยบ่งชี้ จำนวนของการเปลี่ยนแปลงการอธิบายโดย
ชุดของตัวแปรแต่ละที่ได้รับแล้วจากข้อสรุป R2
ประกอบกับการทำนายในแต่ละชุด สำหรับเทคนิคเพิ่มเติม
รายละเอียดเกี่ยวกับวิธีการทำงานการวิเคราะห์การปกครองโปรดดู Budescu
(1993) หรือ Azen และ Budescu (2003).
เทคนิคการวิเคราะห์การปกครองใช้ได้กับการศึกษาครั้งนี้
เพราะความสำคัญของแต่ละทำนายเป็นที่คาดกันโดยไม่คำนึงถึง
คำสั่งของรูปแบบรายการ นอกจากนี้ยังมีแนวคิดที่น่าสนใจในการที่จะ
ทำให้สมมติฐานเกี่ยวกับความสัมพันธ์เชิงสาเหตุระหว่าง
ตัวแปรในโมเดล ยกตัวอย่างเช่นการปกครอง
วิเคราะห์เทคนิคช่วยให้เราสามารถที่จะวัดความสำคัญของวิชาการ
มาตรการความสำเร็จและตัวแปรทางจิตสังคมในการทำนาย
โรงเรียนเกรดเฉลี่ยสูงต้นโดยไม่ต้องให้เราสามารถระบุ
รูปแบบความสัมพันธ์ระหว่างจิตสังคมและนักวิชาการ
ตัวแปรผลสัมฤทธิ์ทางการเรียน รูปแบบดังกล่าวมีแนวโน้มว่าจะต้องจับ
ความสัมพันธ์ที่ซับซ้อนเช่นผลกระทบที่แรงจูงใจทางสังคม
การควบคุมและการควบคุมตนเองที่มีต่อผลสัมฤทธิ์ทางการเรียนและ
ตัวชี้วัดพฤติกรรม ยังมีความสำคัญกับการศึกษาในปัจจุบันการปกครอง
การวิเคราะห์ช่วยให้เราสามารถประเมินความสำคัญของชุดของ
การพยากรณ์ ดังนั้นความสำคัญของการเรียนก่อนวิชาการ
ความสำเร็จประชากรลักษณะโรงเรียน PSFs และพฤติกรรม
ตัวชี้วัดที่จะเปรียบเทียบ.
ผล

ผลลัพธ์ (ไทย) 3:

จริงบวกและยึดอัตรา จริงบวกและจับ
ราคาวัดความถูกต้องที่สำคัญถ้านางแบบ
ค่าพยากรณ์ที่ใช้เพื่อระบุนักเรียนที่มีความเสี่ยงสูงของความล้มเหลวที่
ด้านวิชาการในอนาคต ที่นี่ คะแนนบวกเป็นจริง
กำหนดความน่าจะเป็นของผลไม่สำเร็จ ให้นักเรียนทำเครื่องหมายสำหรับ
การแทรกแซง จับอัตรา
ความน่าจะเป็นของนักเรียนจะถูกตั้งให้ว่าเธอหรือเขา
ได้ผลสําเร็จ จริงบวกและยึดอัตรา
คำนวณเป็นฟังก์ชั่นของ R สำหรับตัวแบบการถดถอยเชิงเส้น
( อัลเลน ร็อบบินส์ &ซอว์เยอร์ , 2010 ) ดังนั้น , จริงบวก
จับอัตราไม่ได้ให้หลักฐานเพิ่มเติมในการทำนาย
( นอกเหนือจากที่ให้แล้วโดย R ) อย่างไรก็ตาม อัตรา
เป็นวิธีการวัดความหมดจดจากสถิติ
( R ) เป็นหนึ่งที่เกี่ยวข้องกับวิธีการประเมินระบบอาจ
ที่ใช้ในการปฏิบัติงาน ( เห็นเมซิก 1994 เพื่ออภิปรายผลของการประเมินค่า

) มันสันนิษฐานว่านักเรียนในด้านล่างของการจัดอันดับ P
ทำนายค่า ( p
5 , 10 , 25 ) จะถูกตั้งค่าสถานะและจริง
ราคาบวกและจับสำหรับการระบุนักเรียนที่มีต้นสูง
โรงเรียน GPA น้อยกว่า 2.0 ได้ 3 แบบจำลอง
ระบุนักเรียนกลุ่มเสี่ยง เปรียบเทียบแต่ละผลลัพธ์ : ( a )
เลือกแบบสุ่ม ; ( b ) เกรดและสำรวจคะแนนคอมโพสิต
ก่อน และ ( c ) เกรดก่อน สำรวจคะแนนคอมโพสิต ตัวแปรทางสังคม และพฤติกรรมบ่งชี้
.
และการปกครองเพราะความสัมพันธ์ระหว่าง
ภายในชุดตัวแปร ความสำคัญสัมพัทธ์ของชุด
ของตัวแปรไม่สามารถพิจารณาจากค่าสัมประสิทธิ์การถดถอย .
ตามเทคนิคการวิเคราะห์การปกครอง ( azen &
budescu , 2003 ; budescu , 1993 ) คือใช้ในการเปรียบเทียบความสำคัญสัมพัทธ์
ของแต่ละชุดของพยากรณ์ การวิเคราะห์การปกครองตาม
ในการตรวจสอบของ R2 ค่าสำหรับรุ่นย่อยทั้งหมดที่เป็นไปได้หรือเป็นไปได้ทั้งหมดที่เกิดขึ้นโดยรุ่น

แต่ละชุดได้ของตัวแปร . R2 ประกอบแต่ละตัวจะถูกกำหนดโดยการวิเคราะห์ R2 ค่า

รุ่นย่อยทั้งหมด ซึ่งตัวเป็นของ ยอดรวมของการอธิบายโดย
แต่ละชุดของตัวแปรจะได้รับโดยการรวม R2
ประกอบกับแต่ละตัวในชุด สำหรับรายละเอียดทางเทคนิค
เพิ่มเติมในการวิเคราะห์การปกครองงานอย่างไร โปรดดู budescu
( 1993 ) หรือ azen และ budescu ( 2546 ) .
เทคนิคการวิเคราะห์การปกครองใช้ได้กับการศึกษา
เพราะความสำคัญของแต่ละตัวประมาณนึง
สั่งซื้อรูปแบบรายการ มันเป็นแนวคิดที่น่าสนใจ ในเรื่อง
ก็ไม่ทำให้สมมติฐานเกี่ยวกับความสัมพันธ์เชิงสาเหตุระหว่าง
ตัวแปรในโมเดล ตัวอย่างเช่น เทคนิคการวิเคราะห์การปกครอง
ช่วยให้เราวัดความสำคัญของการวัดผลสัมฤทธิ์ทางการเรียน

และตัวแปรทางจิตสังคมในการทำนาย GPA โรงเรียนก่อน โดยให้เราระบุ
รูปแบบความสัมพันธ์ระหว่างปัจจัยทางจิตสังคมและวิชาการ
ตัวแปรผลสัมฤทธิ์ทางการเรียนเป็นรูปแบบอาจต้องจับภาพ
ความสัมพันธ์ที่ซับซ้อน เช่น ผลว่า แรงจูงใจ การควบคุมสังคม
และการกำกับตนเองที่มีต่อผลสัมฤทธิ์ทางการเรียนและ
ตัวบ่งชี้พฤติกรรม ยังสำคัญกับการศึกษาวิเคราะห์การปกครอง
ช่วยให้เราประเมินความสำคัญของชุด
พยากรณ์ ดังนั้น ความสําคัญของการเรียนก่อน วิชาการ
ผลสัมฤทธิ์ ประชากรโรงเรียน psfs คุณลักษณะและพฤติกรรมบ่งชี้


ผลเปรียบเทียบ