Журнал: Социология: методология, методы, математическое моделирование (Социология:4М)Кузьмина Ю. В.Метод разрывной регрессии и метод отбора подобного по вероятности для оценки эффекта одного года обучения: опыт применения на примере данных PISA 2009

Институт социологии
ФНИСЦ РАН

Журнал: Социология: методология, методы, математическое моделирование (Социология:4М)

Кузьмина Ю. В.

Метод разрывной регрессии и метод отбора подобного по вероятности для оценки эффекта одного года обучения: опыт применения на примере данных PISA 2009


Кузьмина Юлия Владимировна
Национальный исследовательский университет «Высшая школа экономики»
научный сотрудник Института образования, научный сотрудник Международной лаборатории анализа образовательной политики

Полный текст

Открыть текст

Ссылка при цитировании:

Кузьмина Ю. В. Метод разрывной регрессии и метод отбора подобного по вероятности для оценки эффекта одного года обучения: опыт применения на примере данных PISA 2009 // Социология: методология, методы, математическое моделирование (Социология:4М). 2014. № 38. С. 7-37.

Рубрика:

ПРАКТИКИ СБОРА И АНАЛИЗА ФОРМАЛИЗОВАННЫХ ДАННЫХ

Аннотация:

В статье обсуждается понятие эффекта одного года обучения как возможного показателя эффективности национальных образовательных систем применительно к результатам международного исследования PISA 2009. Рассмотрены особенности оценки вклада одного года обучения с применением квазиэкспериментальных методов – нестрогого дизайна разрывной регрессии и метода отбора подобного по вероятности. Рассмотрены достоинства, ограничения и результаты применения каждого метода. Анализ проведен на данных PISA 2009 для десяти стран.

Литература:

  • Кэмпбелл Д. Модели экспериментов в социальной психологии и прикладных исследованиях. СПб.: Социально-психол. центр, 1996.
  • Schneider B., Carnoy M., Kilpatrick J., Schmidt W.H., Shavelson R.J. Estimating Causal Effects Using Experimental and Observational Designs (Report from the Governing Board of the American Educational Research Association Grants Program). Washington, DC: American Educational Research Association, 2007.
  • Seidel T., Shavelson R.J. Teaching Effectiveness Research in the Past Decade: the Role of Theory and Research Design in Disentangling Meta-analysis Results // Review of Educational Research. 2007. Vol. 77. No. 4. Р. 454–499.
  • Luyten H., Peschar J., Coe R. Effects of Schooling on Reading Performance, Reading Engagement, and Reading Activities of 15-Year- Olds in England // American Education Research J. 2008. Vol. 45(2). P. 319–342.
  • Luyten H. An empirical assessment of the absolute effect of schooling: regressiondiscontinuity applied to TIMSS?95 // Oxford Review of Education. 2006. Vol. 32(3). P. 397–429.
  • Тюменева Ю.А., Кузьмина Ю.В. Что дает год обучения российскому школьнику. На материалах PISA-2009: грамотность чтения // Вопросы образования. 2013. № 1. P. 107–136.
  • OECD. PISA 2009 Results: What Students Know and Can Do – Student Performance in Reading, Mathematics and Science (Volume I). Paris, 2010.
  • Aypay A. The Tough Choice at High School Door: An Investigation of the Factors That Lead Students to General or Vocational Schools // International Journal of Educational Development. 2003. Vol. 23 (5). P. 517–527.
  • Suggate S. P. School entry age and reading achievement in the 2006 Programme for International Student Assessment (PISA) // International Journal of Educational Research. 2009. Vol. 48 (3). P. 151–161.
  • Thistlethwait D.L., Campbell D.T. Regression-discontinuity Analysis: An Alternative to the Ex-post Facto Experiment. Beverly Hills: Sage Publications, 1960.
  • Imbens G.W., Lemieux T. Regression Discontinuity Designs: A Guide to Practice // Journal of Econometrics. 2008. Vol. 142 (2). P. 615–635.
  • Angrist J.D., Imbens G.W., Rubin D. B. Identification of Causal Effects Using Instrumental Variables // Journal of the American Statistical Association. 1996. Vol. 91(434). P. 444–455.
  • Martens E.P., Pestman W.R., Boer A., Belitser S.V., Klungel O.H. Instrumental Variables: Application and Limitations // Epidemiology. 2006. Vol. 17(3). P. 260–267.
  • Bound J., Jaeger D.A., Baker R. Problems with Instrumental Variables Estimation When the Correlation Between the Instruments and the Endogenous Explanatory Variables is Weak // Journal of the American Statistical Association. 1995. Vol. 90(430). P. 443–450.
  • Staiger D., Stock J.H. Instrumental Variables Regression with Weak Instruments // Econometrica. 1997. Vol. 65(3). P. 557–586.
  • Koles?r M., Chetty R., Friedman J.N., Glaeser E.L., Imbens G.W. Identification And Inference With Many Invalid Instrument. Working Paper 17519, National Bureau Of Economic Research, 2011. URL: http://www.nber.org/papers/w17519.
  • Van der Klaauw. Regression-discontinuity Analysis: A Survey of Recent Developments in Economics // Labour. 2008. Vol. 22.
  • Imbens G.W., Angrist J.D. Identification and Estimation of Local Average Treatment Effects // Econometrica. 1994. Vol. 62(2). P. 467–475.
  • Heckman J.J., Urzua S. Comparing IV with Structural Models: What Simple IV Can and Cannot Identify // Journal of Econometrics. 2009. Vol. 156(1). P. 27–37.
  • Imbens G.W., Wooldridge J. What’s New in Econometrics: Instrumental Variables with Treatment Effect Heterogeneity: Local Average Treatment Effects // Lecture Notes, 2007. URL: http://www.nber.org/WNE/lect_5_late_fig.pdf.
  • Lee D.S., Lemieux T. Regression Discontinuity Designs in Economics. NBER Working Paper 14723, 2009.
  • Rosenbaum P., Rubin D. The Central Role of the Propensity Score in Observational Studies for Causal Effects // Biometrika. 1983. Vol. 70. P. 41–55.
  • Caliendo M., Kopeinig S. Some Practical Guidance for the Implementation of Propensity Score Matching // Journal of Economic Surveys. 2008. Vol. 22(1). P. 31–72.
  • Brookhart M.A., Schneeweiss S., Rothman K.J., Glynn R.J., Avorn J., Sturmer T. Variable Selection for Propensity Score Models // American Journal of Epidemiology. 2006. Vol. 163 (12).
  • D’Agostino R.B., Jr, D’Agostino R.B., Sr. Estimating Treatment Effects Using Observational Data // Journal of American Medical Association. 2007.Vol. 297.
  • P. 314–316.
  • Augurzky, B., Schmidt C. The Propensity Score: A Means to An End, Working Paper. University of Heidelberg, 2000.
  • Bhattacharya J., Vogt W.B. Do Instrumental Variables Belong in Propensity Scores? Technical Working Paper 343. URL: http://www.nber.org/papers/t0343.
  • Sen S. Causal Inference: Propensity Scores, Instrumental Variables, and Sensitivity Analyses // Epidemiology. 2006. Vol. 219.
  • Khandker S.R., Koolwal G.B., Samad H.A. Handbook on Impact Evaluation: Quantitative Methods and Practices. World Bank Training Series, 2009.
  • Becker S.O., Ichino A. Estimation of Average Treatment Effects Based on Propensity Scores // The Stata Journal. 2002. Vol. 4. P. 358–377.
  • Nannicini T. Simulation-based Sensitivity Analysis for Matching Estimators // The Stata Journal. 2007. Vol. 7(3).

Содержание выпуска

>> Содержание выпуска 2014. № 38.
>> Архив журнала

© 1998-2024. Институт социологии РАН (http://www.isras.ru)