Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Kiểm tra sự không đồng nhất trong hồi quy phân vị: một phương pháp đa nhóm
Computational Statistics - Trang 1-24 - 2023
Tóm tắt
Bài báo này nhằm giới thiệu một phương pháp đa nhóm để đánh giá ảnh hưởng của nhóm trong hồi quy phân vị. Quy trình này ước lượng cùng một mô hình hồi quy tại các phân vị khác nhau và cho các nhóm quan sát khác nhau. Các nhóm này được xác định bởi mức độ của một hoặc nhiều biến phân tầng. Phương pháp được đề xuất khai thác một quy trình tính toán để kiểm tra sự ảnh hưởng của nhóm. Cụ thể, một bài kiểm tra tham số bootstrap và một bài kiểm tra hoán vị được so sánh thông qua dữ liệu giả với các kích thước mẫu khác nhau, và so sánh hiệu suất của chúng trong việc phát hiện sự khác biệt thấp, trung bình và cao giữa các hệ số liên quan đến các nhóm khác nhau. Phân tích thực nghiệm về hiệu suất của sinh viên MOOC được sử dụng để thể hiện đề xuất trên thực tế. Ảnh hưởng của hai yếu tố chính tác động đến hiệu suất, học tập và sự tham gia, được khám phá tại các phân vị có điều kiện khác nhau, và so sánh các khóa học tự học với các khóa học theo hướng dẫn, được cung cấp trên nền tảng EdX.
Từ khóa
Tài liệu tham khảo
Baye A, Monseur C (2016) Gender differences in variability and extreme scores in an international context. Large Scale Assess Educ 4(1) https://doi.org/10.1186/s40536-015-0015-x
Carannante M, Davino C, Vistocco D (2020) Modelling students’ performance in MOOCs: a multivariate approach. Stud High Educ 32:453–468. https://doi.org/10.1080/03075079.2020.1723526
Chin W, Dibbern J (2010) An introduction to a permutation based procedure for multi-group pls analysis: results of tests of differences on simulated data and a cross cultural analysis of the sourcing of information system services between germany and the usa. In: Vinzi VE, Chin W, Henseler J et al (eds) Handbook of Partial Least Squares. Springer Handbooks of Computational Statistics, Springer, Berlin, Heidelberg, pp 171–193
Chow G (1960) Test of equality between sets of coefficients in two linear regressions. Econometrica 28:591–605. https://doi.org/10.2307/1910133
Davino C, Romano R, Vistocco D (2022) Handling multicollinearity in quantile regression through the use of principal component regression. METRON 80:150–174. https://doi.org/10.1007/s40300-022-00230-3
Davino C, Furno M, Vistocco D (2013) Quantile Regression: Theory and Applications. John Wiley & Sons
de Barba P, Kennedy G, Ainley M (2016) The role of students’ motivation and participation in predicting performance in a MOOC. J Comput Assist Learn 32:218–231. https://doi.org/10.1111/jcal.12130
Efron B, Tibshirani R (1998) Introduction to the Bootstrap. Chapman & Hall
Eslami A, Qannari E, Kohler A et al (2013) General overview of methods of analysis of multi-group datasets. RNTI 25:113–128
Fianu E, Blewett C, Ampong G et al (2018) Factors affecting MOOC usage by students in selected Ghanaian universities. Edu Sci 8(2):70
Furno M, Vistocco D (2018) Quantile Regression: Estimation and simulation. John Wiley & Sons
Gelman A (2006) Multilevel (hierarchical) modeling: what it can and cannot do. Technometrics 48(3):432–435. https://doi.org/10.1198/004017005000000661
Goopio J, Cheung C (2020) The MOOC dropout phenomenon and retention strategies. J Teach Travel Tour 21(2):177–97. https://doi.org/10.1080/15313220.2020.1809050
Gujarati D (1970) Use of dummy variables in testing for equality between sets of coefficients in two linear regressions: a note. Am Stat 24(1):50–52. https://doi.org/10.2307/2682300
Hair JJ, Sarstedt M, Ringle C et al (2012) An assessment of the use of partial least squares structural equation modeling in marketing research. J Acad Mark Sci 40(1):414–433. https://doi.org/10.1007/s11747-011-0261-6
Hair JJ, Hult G, Ringle C et al (2016) A primer on partial least squares structural equation modeling (PLS-SEM). Sage publications, Los Angeles
Hair JJ, Sarstedt M, Ringle C et al (2018) Advanced issues in partial least squares structural equation modeling. Sage publications, Los Angeles
Hansen KY, Gustafsson J (2016) Determinants of country differences in effects of parental education on children’s academic achievement. Large-scale assess educ 4(1):1–13. https://doi.org/10.1186/s40536-016-0027-1
Hintze J, Nelson R (1998) Violin plots: a box plot-density trace synergism. Am Stat 52:181–184. https://doi.org/10.1080/00031305.1998.10480559
Keil M, Tan B, Wei K et al (2000) A cross-cultural study on escalation of commitment behavior in software projects. MIS Q 24(2):181–184. https://doi.org/10.2307/3250940
Kherad-Pajouh S, Renaud O (2010) An exact permutation method for testing any effect in balanced and unbalanced fixed effect ANOVA. Comput Stat Data Anal 54(7):1881–1893. https://doi.org/10.1016/j.csda.2010.02.015
Kleiner A, Talwalkar A, Sarkar P et al (2014) A scalable bootstrap for massive data. J R Stat Soc Ser B Statl Methodol 76(4):795–816
Kocherginsky M, He X, Mu Y (2005) Practical confidence intervals for regression quantiles. J Comput Graph Stat 14:41–55
Koenker R (2022) Quantreg: quantile regression. R Packag Vers 5:94
Koenker R, Bassett J (1978) Regression quantiles. Econometrica pp 33–50. https://doi.org/10.2307/1913643
Koenker R, Chernozhukov V, He X et al (2017) Handbook of Quantile Regression. Sage publications
Lamberti G, Aluja T, Sanchez G (2016) The Pathmox approach for PLS path modeling. Appl Stoch Models Bus Ind 32:453–468. https://doi.org/10.1002/asmb.2168
Lamberti G, Aluja T, Sanchez G (2016) The Pathmox approach for PLS path modeling: discovering which constructs differentiate segments. Appl Stoch Models Bus Ind 33(6):674–689. https://doi.org/10.1002/asmb.2270
Lebart L, Morineau A, Fenelon J (1979) Traitement des donnees statistiques. Dunod, Paris
Moore R, Wang C (2021) Influence of learner motivational dispositions on MOOC completion. J Comput High Educ 33(1):121–134. https://doi.org/10.1007/s12528-020-09258-8
Raudenbush S, Bryk A (2002) Hierarchical linear models: applications and data analysis methods. Sage publications
Sarstedt M, Henseler J, Ringle C (2011) Multi-group analysis in partial least squares (PLS) path modeling: alternative methods and empirical results. Adv Int Mark 22:195–218. https://doi.org/10.1108/S1474-7979(2011)0000022012
Sengupta S, Volgushev S, Shao X (2016) A subsampled double bootstrap for massive data. J Am Stat Assoc 111(515):1222–1232. https://doi.org/10.48550/arXiv.1508.01126
Siemens G, Long P (2011) Penetrating the fog: analytics in learning and education. EDUCAUSE Rev 46(5):30–40
Snijders T, Bosker R (2011) Multilevel analysis: an introduction to basic and advanced multilevel modeling. Sage publications
Team RC (2002) R: A language and environment for statistical computing. R foundation for statistical computing, Vienna, Austria, https://www.R-project.org/
Vinzi VE, Chin W, Henseler J et al (2013) Handbook of partial least squares. Springer Handbooks of Computational Statistics, Springer, Berlin
Wold H (1985) Partial least squares. In: Kotz S, Johnson N (eds) Encyclopedia of statistical sciences. Wiley & Sons, New York, Heidelberg, pp 581–591
Zeileis A, Hothorn T, Hornik K (2008) Model-based recursive partitioning. J Comput Graph Stat 17:492–514. https://doi.org/10.1198/106186008X319331
Zou H, Yuan M (2008) Composite quantile regression and the oracle model selection theory. Ann Statist 36(3):1108–1126