Missing data analysis was conducted

Missing data analysis was conducted and it was determined that there was no
significant pattern to the missing data and data was missing at random. A multiple
imputation technique was used to address missing data. Five imputations of the missing
data were created so in order to introduce the appropriate random error and create a more
accurate estimate of values. Values were imputed based on the predictive variables of:
the age the student was first identified as having a disability, and what type of services
they qualify for, specifically if they qualify for a 504 Plan or tutoring. Separate multiple
imputations of missing data were run on the subset of the students who attended college.
In this sample, household income, and the type of post-secondary institution they
attended were used to predict missing values. This subset was used in the analysis of
persistence. No dependent variables were used as predictors in either multiple
77
imputation set so as not to bias the results. Missing values were not computed for
dependent variables. Regressions were run using the aggregate value for the original data
and the five imputed values to provide the most accurate approximation of a complete
dataset. Due to limitations in the statistical software used (SPSSS Missing Values) the
pooled results of the original data and the five imputations could not be used to compute
the percentage of variance explained in the logistic regressions or the R-square in the
linear regression. The values for the first imputation were used because they were the
most moderate outcomes of the different imputations, though no significant difference
was present in any of the imputations. The pooled data was used for the regression
coefficients and all other analyses.
The second phase of the data analysis involves the use of descriptive statistics (e.g.
univariate frequency distributions, crosstabs, and comparison of means) to examine
patterns of enrollment and persistence in college students with learning disabilities, and
in the general population. The analysis will be run on the NTLS-2 and ELS databases.
The third phase of analysis will examine what factors best predict college enrollment and
persistence. The specific binary outcomes that will be assessed are: attending any form
of post-secondary education or not, attending a two-year college or not, and attending a
four-year college or not. Logistic regressions will be utilized to examine the relationship
between forms of capital and the likelihood of attending any post-secondary institution,
and two-year and four-year institutions, controlling for gender, ethnicity, and academic
performance.

ผลลัพธ์ (ไทย) 1:

ขาดการวิเคราะห์ข้อมูลได้ดำเนินการ และได้กำหนดว่าไม่สำคัญรูปแบบข้อมูลและข้อมูลที่ขาดหายไปที่สุ่มได้ ตัวคูณเทคนิค imputation ที่ใช้อยู่ไม่มีข้อมูล Imputations ห้าของหายไปข้อมูลถูกสร้างขึ้นเพื่อแนะนำข้อผิดพลาดแบบสุ่มที่เหมาะสม และสร้างมากขึ้นการประเมินค่าความถูกต้อง ค่าถูกควาบตามตัวแปรคาดการณ์:อายุนักเรียนต้องระบุว่ามีพิการ และชนิดของบริการพวกเขารับ โดยเฉพาะถ้าพวกเขารับรองสำหรับ 504 การวางแผน หรือกวดวิชา แยกหลายimputations ขาดข้อมูลถูกเรียกใช้บนชุดย่อยของนักเรียนที่เข้าร่วมวิทยาลัยในตัวอย่างนี้ รายได้ และชนิดของสถาบันอุดมศึกษานั้นเข้าร่วมใช้ในการทำนายค่าที่ขาดหายไป ชุดย่อยนี้ถูกใช้ในการวิเคราะห์ของคงอยู่ ตัวแปรไม่ขึ้นอยู่กับใช้เป็น predictors ในทั้งหลาย77imputation ที่ตั้งเพื่อไม่ให้ bias ผลลัพธ์ ค่าที่หายไปก็ไม่มีคำนวณสำหรับขึ้นอยู่กับตัวแปร Regressions ถูกเรียกใช้โดยใช้ค่าการรวมสำหรับข้อมูลต้นฉบับและ 5 ควาบค่าประมาณที่แม่นยำของการเสร็จสมบูรณ์ให้ชุดข้อมูล เนื่องจากข้อจำกัดในทางสถิติซอฟต์แวร์ใช้ (SPSSS ขาดค่า)ผลรวมของข้อมูลต้นฉบับและ imputations 5 ไม่สามารถใช้การคำนวณเปอร์เซ็นต์ผลต่างอธิบาย logistic regressions หรือ R-สแควร์ในการถดถอยเชิงเส้น ใช้ค่าสำหรับ imputation แรกเพราะการส่วนใหญ่บรรเทาผลของ imputations แตกต่างกัน แม้ว่าไม่แตกต่างอย่างมีนัยสำคัญมีอยู่ใน imputations ที่ มีใช้ข้อมูลรวมสำหรับการถดถอยสัมประสิทธิ์และวิเคราะห์อื่น ๆระยะที่สองของการวิเคราะห์ข้อมูลเกี่ยวข้องกับการใช้สถิติพรรณนา (เช่นอย่างไร univariate การกระจายความถี่ crosstabs และเปรียบเทียบหมายถึง) การตรวจสอบรูปแบบของการลงทะเบียนและมีอยู่ในนักเรียนพิการ และในประชากรทั่วไป การวิเคราะห์จะรัน NTLS-2 และกับฐานข้อมูลระยะที่ 3 การวิเคราะห์จะตรวจสอบปัจจัยสิ่งสุดทายวิทยาลัยลงทะเบียน และคงอยู่ มีผลเฉพาะไบนารีที่จะประเมิน: ร่วมรูปแบบใด ๆการศึกษาอุดมศึกษา หรือไม่ เข้าร่วมวิทยาลัย 2 ปี หรือไม่ และเข้าร่วมการสี่ปีวิทยาลัย หรือไม่ Regressions โลจิสติกที่จะใช้ตรวจสอบความสัมพันธ์ระหว่างรูปแบบของทุนและโอกาสของการเข้าร่วมใด ๆ สถาบันอุดมศึกษาและ 2 ปี และ 4 ปีสถาบัน ต่าง ๆ การควบคุมเพศ เชื้อชาติ และวิชาการประสิทธิภาพของ

ผลลัพธ์ (ไทย) 2:

การวิเคราะห์ข้อมูลที่ขาดหายไปได้ดำเนินการและได้รับการพิจารณาแล้วว่าไม่มีนัยสำคัญกับข้อมูลที่ขาดหายไปและข้อมูลที่หายไปโดยการสุ่ม
หลายเทคนิคใส่ร้ายถูกนำมาใช้เพื่อรับมือกับข้อมูลที่ขาดหายไป
ห้า imputations
ของที่หายไปข้อมูลที่ถูกสร้างขึ้นดังนั้นเพื่อที่จะนำข้อผิดพลาดแบบสุ่มที่เหมาะสมและสร้างขึ้นประมาณการที่แม่นยำของค่า
ค่านิยมที่ถูกกล่าวหาอยู่บนพื้นฐานของการคาดการณ์ของตัวแปร:
อายุนักเรียนที่ถูกระบุว่าเป็นครั้งแรกที่มีความพิการและสิ่งที่ประเภทของบริการที่พวกเขามีสิทธิ์ได้รับโดยเฉพาะถ้าพวกเขามีสิทธิ์ได้รับ 504 หรือแผนการสอน
หลายเฉพาะกิจ
imputations ของข้อมูลที่ขาดหายไปได้รับการทำงานในส่วนย่อยของนักเรียนที่เข้าเรียนที่วิทยาลัย.
ในตัวอย่างนี้รายได้ของครัวเรือนและชนิดของสถาบันการศึกษาระดับมัธยมศึกษาที่พวกเขาเข้าร่วมการถูกนำมาใช้ในการทำนายค่าที่ขาดหายไป
เซตนี้ถูกใช้ในการวิเคราะห์การติดตา
ไม่มีตัวแปรถูกนำมาใช้เป็นตัวพยากรณ์ทั้งในหลาย
77
ชุดใส่ร้ายเพื่อที่จะไม่อคติผล ค่าที่ขาดหายไปไม่ได้คำนวณตัวแปรตาม
ถดถอยวิ่งโดยใช้มูลค่ารวมสำหรับข้อมูลเดิมและห้าค่านัยเพื่อให้ใกล้เคียงกับที่ถูกต้องที่สุดของที่สมบูรณ์ชุด เนื่องจากข้อ จำกัด ในซอฟแวร์ที่ใช้ในทางสถิติ (SPSSS ค่าที่ขาดหายไป) คำผลการสำรองข้อมูลเดิมและห้าimputations ไม่สามารถใช้ในการคำนวณอัตราร้อยละของความแปรปรวนที่อธิบายไว้ในการถดถอยโลจิสติกหรือR-ตารางในการถดถอยเชิงเส้น ค่าสำหรับการกล่าวหาครั้งแรกที่ถูกนำมาใช้เพราะพวกเขาเป็นผลในระดับปานกลางมากที่สุดของ imputations ที่แตกต่างกันแม้ว่าจะไม่มีความแตกต่างอย่างมีนัยสำคัญในปัจจุบันในใดๆ ของ imputations ข้อมูลที่รวบรวมได้ใช้สำหรับการถดถอยสัมประสิทธิ์และการวิเคราะห์อื่น ๆ . ขั้นที่สองของการวิเคราะห์ข้อมูลเกี่ยวกับการใช้สถิติเชิงพรรณนา (เช่นการแจกแจงความถี่univariate, แท็บไขว้และการเปรียบเทียบวิธีการ) ในการตรวจสอบรูปแบบของการลงทะเบียนและความเพียรในนักศึกษาการเรียนรู้ที่มีความพิการและในประชากรทั่วไป การวิเคราะห์จะถูกเรียกใช้ใน NTLS-2 และ ELS ฐานข้อมูล. ระยะที่สามของการวิเคราะห์จะตรวจสอบสิ่งที่ดีที่สุดปัจจัยทำนายวิทยาลัยการลงทะเบียนและการติดตา ผลไบนารีเฉพาะเจาะจงที่จะได้รับการประเมินคือการเข้าร่วมรูปแบบใด ๆของการศึกษาระดับมัธยมศึกษาหรือไม่เข้าร่วมวิทยาลัยสองปีหรือไม่และการเข้าร่วมวิทยาลัยสี่ปีหรือไม่ การถดถอยโลจิสติกจะนำไปใช้ในการตรวจสอบความสัมพันธ์ระหว่างรูปแบบของเงินทุนและโอกาสในการเข้าร่วมการประชุมใด ๆ สถาบันการศึกษาระดับมัธยมศึกษาที่และสองปีและสถาบันสี่ปีการควบคุมเพศเชื้อชาติและนักวิชาการประสิทธิภาพ

ผลลัพธ์ (ไทย) 3:

วิเคราะห์ข้อมูลที่ขาดหายไป และพบว่าไม่มีความหาย
รูปแบบข้อมูลและข้อมูลที่ขาดหายไปในการสุ่ม หลาย
ส่วนบุคคลโดยใช้เทคนิคที่อยู่ข้อมูลที่หายไป 5 การใส่ความของที่หายไป
ข้อมูลที่ถูกสร้างขึ้นเพื่อแนะนำข้อผิดพลาดแบบสุ่มที่เหมาะสมและสร้างเพิ่มเติม
ถูกต้องประมาณของค่าค่าใดๆ ขึ้นอยู่กับตัวแปรทำนาย :
อายุนักเรียนเป็นครั้งแรกที่ระบุว่ามีความพิการ และชนิดของการบริการ
พวกเขาเป , โดยเฉพาะถ้าพวกเขามีคุณสมบัติสำหรับ 504 แผนหรือกวดวิชา แยกหลาย
การใส่ความของหายข้อมูล คือ รันบนสับเซต ของนักเรียนที่เข้าร่วมวิทยาลัย .
ในตัวอย่างนี้ รายได้ของครัวเรือนและประเภทของสถาบันพวกเขา
เข้าร่วมเตรียมอุดมเพื่อใช้ทำนายค่าสูญหาย . ย่อยนี้ถูกใช้ในการวิเคราะห์
ความคงอยู่ ไม่มีตัวแปรที่ใช้ทำนายทั้งหลาย

ตำหนิ 77 ชุด เพื่อไม่ให้อคติผลลัพธ์ ค่าหายไปไม่แปรปรวน
ตัวแปร . สังกะสีถูกเรียกใช้มูลค่ารวมสำหรับ
ข้อมูลต้นฉบับและห้าใดๆให้ประมาณค่าถูกต้องที่สุดของชุดข้อมูลที่สมบูรณ์

เนื่องจากข้อ จำกัด ในการใช้เป็นเครื่องมือ สถิติที่ใช้ในการวิเคราะห์ข้อมูลค่าสูญหาย )
รวมผลลัพธ์ของข้อมูลเดิมและห้าการใส่ความสามารถถูกใช้เพื่อคำนวณค่าร้อยละของความแปรปรวน
อธิบายในสมการถดถอยโลจิสติก หรือ r-square ใน
การถดถอยเชิงเส้นค่าสำหรับการใส่ความก่อนใช้เพราะพวกเขา
ปานกลางส่วนใหญ่ผลของการใส่ความแตกต่างกัน แต่ความแตกต่าง
อยู่ในใด ๆของการใส่ความ . รวมข้อมูลใช้สถิติสัมประสิทธิ์และการวิเคราะห์อื่น ๆ
.
ระยะที่สองของการวิเคราะห์ข้อมูลที่เกี่ยวข้องกับการใช้สถิติการแจกแจงความถี่ ( เช่น
2 ,crosstabs และความแตกต่างของค่าเฉลี่ย ) เพื่อศึกษารูปแบบของการลงทะเบียนและการติดตา
วิทยาลัยนักเรียน ที่มีความบกพร่องทางการเรียนรู้และ
ในประชากรทั่วไป การวิเคราะห์จะถูกรันบนฐานข้อมูลและ ntls-2 ELS .
เฟสที่สามของการวิเคราะห์จะศึกษาว่าปัจจัยทำนายการลงทะเบียนวิทยาลัยที่ดีที่สุดและ
ความคงอยู่ โดยเฉพาะเลขฐานสองผลลัพธ์ซึ่งจะถูกประเมินมีดังนี้เรียนรูปแบบใด
ของการศึกษาหลังระดับมัธยมศึกษา หรือ ไม่ เรียนวิทยาลัยปี - สอง หรือไม่ และเรียน
วิทยาลัยสี่ปีหรือไม่ สมการถดถอยโลจิสติกจะถูกใช้เพื่อตรวจสอบความสัมพันธ์ระหว่างรูปแบบของทุน
และโอกาสของการเข้าร่วมใด ๆและหลังมัธยมศึกษาสถาบัน
สองปีและสี่ปีของสถาบัน การควบคุมเรื่องเพศ เชื้อชาติ และงานวิชาการ