نوع مقاله : مقاله پژوهشی
نویسندگان
دانشجوی دانشگاه علامه طباطبایی
چکیده
زمینه: در رویکرد سنتی تحلیل داده های IEA از مدل های آماری یک سطحی استفاده می شد. در حالی که در ساختار مدل های خطی سلسله مراتبی، هر یک از سطوح به طور متداول توسط زیر مدل خود معرفی می شود و روابط بین متغیرها را در داخل سطح مشخص شده بیان می کنند و تعیین می کنند که چگونه متغیرها در یک سطح روابط موجود در سطح دیگر را تحت تاثیر قرار می دهند. هدف: هدف پژوهش حاضر نشان دادن اهمیت کاربرد تکنیک چند سطحی در تحلیل داده های پرسشنامه دانش آموزان پایه هشتم مطالعه تیمز 2007 و مقایسه آن با تحلیل یک سطحی بود. نتیجه گیری: نتایج متفاوت حاصل از این دو تحلیل حاکی از اهمیت کاربرد تحلیل های چند سطحی برای داده های آشیانه ای از جمله داده های تمیز است. تحلیل چند سطحی به بیان دقیق تر پدیده مورد مطالعه می پردازد. لذا با توجه به این که داده های تیمز ماهیت آشیانه ای دارند و داده های آن نیز به صورت چند مرحله ای استفاده از تحلیل چند سطحی به منظور به دست آوردن اطلاعات دقیق تر در مورد عوامل موثر بر پیشرفت دانش آموزان توصیه می شودو
کلیدواژه‌ها
عنوان مقاله [English]
A Comparison of Multi-Level Modeling and Single- Level Analysis Techniques and their Application to TIMSS 2007 Data Analysis
نویسندگان [English]
- zahra naghsh
- azam moghadam
چکیده [English]
In traditional approaches, single-level statistical models were generally used to analyze IEA data. In hierarchical linear models, each level is, however, introduced by its sub-model, and the variables' interrelations are explained in each specified level. The way the variables affect the existent relations in other levels is also determined. The main purpose of this paper is to compare multi-level modeling and single-level analysis techniques and underline the importance of applying the former in analyzing the data extracted from the TIMSS 2007 questionnaires completed by the eighth graders. Due to their nature, the IEA data were analyzed by HLM software as the students were nested within classes, classes within schools, and schools within countries. In the single-level analysis, there was a significant relationship between self- concept, attitude and evaluation at 0.001 level with mathematics achievement (0.48, 0.296 and 0.134, respectively). Furthermore, the results of two-level analysis by one-way ANOVA with random effects showed that these three variables (self-concept, attitude and evaluation) explained 30.10% and 47% of mathematics achievement variance at student and school levels, respectively. The different results of these two analyses demonstrated the importance of using multi-level analyses for nested data like TIMSS. Regarding the nested nature of TIMSS data and the multi-level method used to extract them, the application of multi-level modeling techniques is recommended to obtain more detailed data on the factors influencing the students' achievement.
کلیدواژه‌ها [English]
- multi-level analysis
- self-concept
- Attitude
- Evaluation
- TIMSS 2007
)