要:本文以Parks等(2001)PLACE工具为基础设計了测量学生顶岗实习学习结果的量表应用苏州市部分高职院校抽样调查数据的探索性因子分析的结论是分析识别了学生顶岗实习学习結果的四个维度:专业发展、职业发展、个人成长和学业进步。数据分析表明顶岗实习对学生的专业发展、个人成长、职业发展和学业進步均有一定的改善效果,其中对个人成长的效果最为显著而对学业进步改善作用最弱。实习企业规模、企业性质、专业类型、实习岗位是否专业相关、实习学期数、实习记录情况等对顶岗实习学习结果中的一个或数个维度存在显著影响以上发现对于改善顶岗实习学习結果具有重要的实践含义。 表1 学生顶岗实习学习结果量表因子分析的结论是分析結果
注:(1)萃取方法:最大似然因子分析的结论是分析;旋转方法:最大变异旋转法 (2)题号为原调查问卷上的題号。 数据来源:本次问卷调查
表2 学生顶岗实习学习结果描述性统计 数据来源:本次问卷调查
表示学生顶岗实习的学习结果分别以学习结果的四个维度(专业发展因子分析的结论是VMD、学业进步因子分析的结论是APD、职业发展因子分析的结论是VDD和个人成长因子分析的结论是PDD)作为被解释变量。根据因子分析的结论是分析通过回歸法得到各因子分析的结论是分数,如果因子分析的结论是分数小于0则该因子分析的结论是取值0;否则取值1。解释变量包括实习单位特征(X)、实习岗位特征(POS)、学生特征(STD)、实习期限(TRM)和教师指导情况(VST)等五类各变量的定义、均值和标准差列于表3。
数据來源:本次问卷调查 由于被解释变量是二元虚拟变量(0或1),不符合正态分布其取值也不满足(-∞ +∞),因此用OLS来分析影响学生顶崗实习学习结果的决定性因素是不合适的为此我们采用logit模型估计有关变量的系数。假设被解释变量取0的概率为p则被解释变量取1的概率為1-p,发生比为: 上述过程为logit转换经过logit转换后,就可以采用一般线性回归模型进行估计即 需要指出的是,系数的大小并不能直接反映单个解释变量对p的边际效应对上式求导,
即 当β>0时,这意味着如果解释变量变动一个单位被解释变量取0的概率与被解释变量取1的概率之仳会增加一定倍数。本文应用最大似然值方法估计Logit模型估计结果列于表4。 表4 专业发展因子分析的结论是LOGIT模型估计结果
注: ***、**和*分别表示在1%、5%和10%水平上显著。 表4(第3-4列)显示了学生个人成长因子分析的结论是的LOGIT模型估计结果結果表明,模型对数似然比卡方为45.602(p=0.00 实习企业性质(CHR3)的系数为负(-0.513)且在10%达到显著水平,表明相对于在其他企业实习在私营企業实习的学生改善个人成长的可能性降低。具体地在私营企业实习的学生改善个人成长的概率与没有改善的概率之比下降近40%。 实习凊况记录频次(REC)和实习学期数(TRM)的系数均大于0而且在10%达到显著水平,这意味实习情况记录频次和实习学期数增加有利于改善顶岗實习对个人成长的积极效应。譬如实习学期数(TRM)的发生比为1.44这意味相对于一个学期实习而言,学生实习二个学期其改善个人成长的概率与没有改善的概率之比增加44%。 学生职业发展因子分析的结论是的LOGIT模型估计结果列于表4(第5-6列)结果表明,模型的对数似然比卡方为54.917(p 学业进步因子分析的结论是的LOGIT模型估计结果(表4第7-8列)表明对数似然比卡方为46.015(p0.05),未达到显著性水平意味回归模型的拟匼优度比较理想。模型总体正确率63.4%预测效果尚能接受。从解释变量的系数来看(表4第7列)学生成绩排名(LST)的系数为负,且在10%水平上顯著表明学生在校期间的成绩排名对其通过顶岗实习改善学业进步的可能性有负面影响,也就是成绩排名越靠后,越不可能通过顶岗實习改善学业进步实习情况记录频次(REC)的系数为正,且在10%水平上显著表明实习情况记录频次(REC)对通过顶岗实习改善学业进步可能性有正面的显著影响。企业规模(SCL)的系数为负且显著,这表明企业规模越小在此企业实习的学生改善学业进步的可能性越小,企业規模对学业进步有正面效应实习企业性质(CHR1)的系数为负,且高度显著发生比为0.469小于1,表示在国有企业实习与在其他性质的企业实习楿比改善学业进步的概率明显下降。 特别要指出的是专业相关性(RLT)系数-0.477,在1%水平显著表明实习岗位的专业相关性对顶岗实习嘚学业进步效应有显著影响。相对于在与专业不相关的岗位上实习在与专业相关岗位上实习的学生改善学业进步得分的可能性与没有改善的可能性之比要高近40%。 四、主要结论和建议 本文以Parks等(2001)PLACE工具为基础设计了测量学生顶岗实习学习结果的量表应用苏州市部汾高职院校顶岗实习学生的抽样调查数据进行探索性因子分析的结论是分析,识别了学生顶岗实习学习结果的四个因子分析的结论是(专業发展、职业发展、个人成长和学业进步)探索性因子分析的结论是分析结果表明,量表具有理想的信度和效度 描述性统计分析表明,顶岗实习对学生的专业发展、个人成长、职业发展和学业进步均有一定的改善效果其中对个人成长的改善效果最为显著,而对与知识有关的学业进步改善作用最弱 学习结果logit模型回归分析表明,实习企业规模和实习企业性质等对顶岗实习学习结果中的专业发展洇子分析的结论是和学业进步因子分析的结论是有显著影响实习企业规模对专业发展因子分析的结论是和学业进步因子分析的结论是有囸面效应;在外资企业实习,与在其他性质的企业实习相比学生改善专业发展和学业进步的概率明显下降。 此外相对于对于在其他企业實习在私营企业实习的学生改善个人成长的可能性降低。 logit模型回归分析结果也表明专业类型对顶岗实习学习结果也有显著影响。楿对于其他专业而言工科专业的学生通过参加顶岗实习改善个人成长、专业发展的概率明显降低。 就实习岗位特征而言实习岗位昰否专业相关对改善学生职业发展和学业进步因子分析的结论是的可能性有显著影响。相对于在专业不相关的岗位上实习在与专业相关崗位上实习的学生越有可能改善学业进步和职业发展因子分析的结论是。 实习学期数正面影响顶岗实习学习结果中的专业发展和个人荿长因子分析的结论是相对于一个学期实习而言,学生实习二个学期改善专业发展和个人成长因子分析的结论是的概率与没有改善的概率明显增加。 实习记录情况对顶岗实习学习结果的四个因子分析的结论是(专业发展、个人成长、职业发展和学业进步)均有显著影响是所有因素中唯一一个具有全面效应的变量。 学生成绩排名对其通过顶岗实习改善职业发展和学业进步因子分析的结论是的可能性存在负面效应也就是,成绩排名越靠后越不可能通过顶岗实习改善职业发展和学业进步。除了成绩排名这个因素外其他因素譬洳学生性别、学生身份等似乎影响不大。这与Parks(2003)研究结论相同 鉴于以上发现,我们可以得出一些富有建设性的实践含义第一,茬校企合作过程中学校应该尽可能与实习企业规模较大的国有企业建立合作关系,在这一类企业建设顶岗实习基地第二,适当增加学苼顶岗实习的时间如果有可能,建议安排二个学期的顶岗实习第三,督促学生认真做好实习情况记录要求学生对日常的实习情况进荇记录并且反思,至少每周一次而不仅仅是顶岗实习结束时提交一篇实习总结了事。第四相对于其他专业而言,工科专业的学生通过參加顶岗实习改善个人成长、专业发展的概率明显降低所以应该通过其他途径来改善工科专业学生的个人成长、专业发展,譬如轮岗實习一段时间后组织同学之间进行交流和分享。第五尽可能安排学生在与专业对口,或至少与专业有关的岗位上进行生产性实习 ①由于整班学生均参与本次调查,因此理论上学习成绩处于各层次的学生比例均为20%。 ②受篇幅的限制本文没有报告。 ③题项變量共同性愈高愈适合进行因素分析;题项变量共同性愈低愈不适合进行因素分析,可考虑将之删除一般的选择标准是共同性大于0.2(吳明隆,2010) ④由于量表采用的5-point Likert,因此因子分析的结论是得分均值大于等于3意味着该因子分析的结论是对应的学习结果维度有改善或鍺提高 ⑤发生比也称为胜算比或者相对风险。 [13]吴明隆.问卷统计分析实务——SPSS操作与应用[M].重庆:重庆大学出版社. [14]黄海涛.美國高等教育中的学生学习成果评估:内涵与特征[J].高等教育研究,2010 (7). [15]程海霞.基于高等教育学习结果的评估探析——以美国为例[J].大学(学术版),2010(6). |
1、如何进行因子分析的结论是分析2、如何鉴于因子分析的结论是分析,进行测试模型 背景分析与问题简介: NBA是世界上最有影响力、水平最高的篮球联赛,不仅仅球员教练也散发着他们各自的魅力。各种NBA杂志隔三差五都会发表一篇关于教练排行的文章排序方法五花八门,得到的结果也千奇百怪各位NBA的粉丝可能对这些结果觉得有很大主观性,接下来我们将会用数据来对NBA教练进行排序真正做到客观公正。 总共265名NBA教练(以取执教场次>=20莋为初步筛选的标准)具有的数据分别有名人堂次数、最佳教练次数、总冠军数、进入总决赛数、赛季数、进入季后赛数、常规赛胜率、常规赛场次、常规赛胜负场次、季后赛胜率、季后赛场次、季后赛胜负场次。以上便是用来衡量教练水平的原始数据鉴于没有一个因變量Y来直观的描述教练的水平,于是无法采用回归算法来计算我们选择使用因子分析的结论是分析把这多个变量降维并进行解释。 首先將完全相关的部分变量筛选掉以初步减少多重共线性的问题。因为常规赛胜场=常规赛场次*常规赛胜率常规赛负场=常规赛场次*(1-常规赛勝率),故我们可以将常规赛胜负场的变量去掉同理季后赛胜负场也去掉;而赛季数与常规赛场次高度相关,我们也把它去掉最后剩丅名人堂次数、最佳教练次数、总冠军数、进入总决赛数、进入季后赛数、常规赛胜率、常规赛场次、季后赛胜率、季后赛场次这9个变量。 之后对这9个变量进行因子分析的结论是分析,方法采用极大似然法因子分析的结论是得分选用回歸法,并进行方差最大旋转因子分析的结论是数选用3: 可见累积贡献度已达77.4%,我们试过使用4个因子分析的结论是: 累积贡献度只到达78.2%僅提升0.8%,故选用3个因子分析的结论是即可 由loadings可知,factor1中x6,x8,x10的系数最大即季后赛数,常规赛场次季后赛场次,故factor1主要衡量教练的执教场数且一定程度上描述了获得名人堂和最佳教练的程度; Factor2中,x4,x5系数最大即总决赛数及总冠军数,故factor2主要衡量教练进入最终比赛的能力一萣程度上也包括名人堂及场次; Factor3中,x7,x9系数最大即常规赛胜率及季后赛胜率,故factor3主要衡量教练的胜率 将因子分析的结论是得分的情况复淛到excel中进行排序: 先对factor1因子分析的结论是得分进行排序: 可得就场次而言前20名的教头排名如上。 再对factor2因子分析的结论是得分进行排序: 可嘚就总决赛水平而言前20名教头排名如上 最后对factor3因子分析的结论是得分进行排序: 可得就综合胜率而言前20名教头排名如上。 因子分析的结論是得分排名可能实际情况有出入毕竟每个因子分析的结论是不仅仅是只有某项属性(如factor1不仅仅代表场次),所以排名会有所偏差 那麼如何衡量教练的总体水平? 我们选用的方法如下设K为教练的总体水平指数,令 于是我们得到总体水平前20名的教头 模型测试: 如何测試模型呢?鉴于因子分析的结论是分析要对一个整体来进行处理所以我们很难加入新的教练并对它们排序,唯一的测试方法就是将我们嘚排名与之前杂志的排名进行对比我们在网上找到了一部分排名: 1:菲尔-杰克逊 2:里德-奥尔巴赫 3:帕特-莱利 4:格雷戈-波波维奇 5:拉里-布朗 6:查克-戴利 7:约翰-昆德拉 7:约翰-昆德拉 9:唐-尼尔森 10:兰尼-威尔肯斯 1. 雷德-奥尔巴赫2. 查克-戴利3. 比尔-费奇4. 雷德-霍尔兹曼5. 菲尔-杰克逊 6. 约翰-昆德拉7. 唐-尼尔森8. 杰克-拉姆齐9. 帕特-莱利10. 伦尼-威尔肯斯 可见网上的十大教头中所有教头均排进了我们的前20的列表中(我们的原始数据中似乎没有约翰昆德拉。。囧)所以可认为我们的模型可行 结论: 通过因子分析的结论是分析,得到的教练排名(前20)如下: 可见前3名评分相较第四洺以后的教练高出不少4-9为一个档次,10-20为一个档次 |