СТАТИСТИЧЕСКИЙ АНАЛИЗ И ПОСТРОЕНИЕ ТЕОРЕТИЧЕСКОЙ МОДЕЛИ РЕЗУЛЬТАТОВ ЭКЗАМЕНОВ

Ilhomjon Qodirov

Авторы

       Низамитдинов А.И. –доктор философии по специальности(PhD), старший преподаватель, кафедра программирования и информационных технологий, Политехнический институт Таджикского технического университета имени академика М.С. Осими

      Иномов Б.Б. – ассистент, кафедра программирования и информационных технологий, Политехнический институт Таджикского технического университетаимени академика М.С. Осими

Аннотация

  Рассматривается статистический анализ и построение теоретической модели результатов экзаменов с помощью непараметрических регрессионных моделей. Проводится обзор литературы в целях выявления наиболее часто используемых методов для оценивания функций многофакторной зависимости результатов сдачи экзаменов. К данным видам моделей относятся методы аппроксимации с использованием сплайн функций, штрафных сплайнов и регрессионных сплайнов. Сделан вывод, что методики оценивания нелинейных зависимостей между переменными также могут быть использованы в задачах нахождения взаимосвязи между факторами, влияющими на качество образования. Примером таких задач могут быть определение взаимосвязи информативных признаков силлабусов и предлагаемых литератур, силлабусов и экзаменационных тестов.

Ключевые слова

 статистика, регрессионные методы, аддитивные модели, сплайн функции, результат экзаменов.

Язык

русский

Тип

технический

Год

2018

Страница

7-10

Список использованной литературы

    1. Арафьев В.П., Михальчук А.А. Компьютерный статистический анализ качества инженерного образования. Известия Томского политехнического университета. 2005. Т. 308. 4. 226 – 231.
    2. Михальчук А.А., Арафьев В.П., Филипенко Н.М. Сравнительный статистический анализ параметрических и непараметрических методов оценивания знаний в системе заочного обучения. Современные проблемы науки и образования. – 2013. – № 3.
    3. Goutam Saha. Applying logistic regression model to the examination results data. Journal of Reliability and Statistical Studies. 2011. 4. 105 – 117.
    4. Hastie T.J. and Tibshirani R.J. Generalized Additive Models. Chapman & Hall/CRC, 1990.
    5. Wood S.N. Generalized additive models: an introduction with R, Chapman and Hall, 2006.
    6. Eilers P.H.C. and Marx B.D., Direct generalized additive modeling with penalized likelihood, Computational Statistics and Data Analysis, 28, P. 193 – 209, 1998.
    7. Eilers P.H.C. and Marx B.D., Flexible smoothing using B-splines and penalized likelihood (with comments and rejoinders), Statistical Science, 11 (2), P. 89 – 121, 1996.
    8. Silvia Figini, Paolo Giudici. Statistical models for e-learning data. 18(2):293-304. July 2009.

Дата публикация

2023-09-25