언어의 고유 하 고 일반적인 효력을 독에 대 한 분산 분해 및 디코딩

요약

여기 우리 언어와 해독의 독특하고 일반적인 효과에 독에 대 한 분산 분해 프로토콜을 제시.

초록

독서의 간단한 보기는 읽기 디코딩 및 유일 하 게 독 해를 예측 하는 각 구성 요소와 언어의 제품을 주장 하는 독서의 인기 모델 이다. 연구원 합 구성의 제품 보다는 더 나은 예언자 인지 주장 하고있다, 비록 아무 연구 구성 요소 공유 읽기 예측에 정도 검사를 설명 하는 분산을 분할 수 있다. 분산 분해, 우리는 디코딩을 위한 독특한 R² 를 전체 모델에서 언어 전용 모델에 대 한 R² 를 뺍니다. 둘째, 우리는 언어에 대 한 독특한 R² 를 전체 모델에서 디코딩 전용 모델에 대 한 R² 를 뺍니다. 셋째, 일반적인 차이를 설명 언어 및 디코딩, 우리는 두 개의 독특한 R² 에서 전체 모델에 대 한 R² 의 합계를 뺍니다. 방법은 1 학년에서 학생 들 로부터 데이터와 회귀 접근법에서 설명 된다 (n = 372), 6 (n = 309), 10 (n = 122) 언어 (수용 어휘)의 관찰된 측정을 사용 하 여, 디코딩 (초과 단어 읽기), 및 독 (시험). 결과 상대적으로 많은 양의 디코딩 및 언어에서 일반적인 분산에 의해 급료 1에서에서 설명 하는 독에 분산을 공개. 그러나 10 학년에 의해, 그것은 언어의 독특한 효과 독에 대 한 분산의 대부분을 설명 하는 언어와 해독의 일반적인 효과입니다. 결과 간단한 보기의 독서의 언어와 예측 독에서 해독의 고유 하 고 공유 효과 고려 하는 확장된 버전의 맥락에서 설명 합니다.

서론

간단한 보기 읽기¹ (SVR) 계속 읽기 때문에 그것의 단순 읽기 (R)의 인기 있는 모델은 디코딩 (D)의 제품 및 언어 (L)-의 약 60% 설명 읽기에 SVR, 평균, 설명 하는 경향이 있기 때문에 이해². SVR 예측 D와 R 사이 상관 관계 시간이 지남에 감소 됩니다 그리고 L과 R 사이의 상관 관계 시간이 지남에 증가할 것 이다. 연구는 일반적으로이 예측^3,,45를 지원합니다. 그러나 있다 논쟁,, 가산적 모델 SVR의 기능 형태에 대 한 (D + L = R) 독 제품 모델 보다 훨씬 더 많은 변화를 설명 (D × L = R)^6,7,8, 그리고 합계 및 제품의 조합 [R = D + L + (D × L) 설명 이해^3,9독서에 분산의 큰 금액.

최근 SVR 모델 확정 공장 분석과 구조 방정식 모델링을 사용 하 여 잠재 변수 모델링 관찰된 변수 기반 regressions 넘어 확대 하고있다. D는 일반적으로 실제 단어 nonwords의 없이 또는 초과 읽기와 측정 하 고 R 일반적으로 능력과 정보 구절 객관식 질문 다음을 포함 하는 표준화 된 읽기 테스트에 의해 측정 된다. L은 일반적으로 표현 하 고 수용 구문 및 듣기의 측정에 의해 기본 성적에 특히, 그리고 표현 하 고 수용 어휘 테스트에 의해 측정 됩니다. 가장 경도 연구 보고 L unidimensional^10,11,,1213. 그러나, 다른 경도 연구¹⁴ L에 대 한 기본 학년에 4-8 학년에서 unidimensional 구조 이중 구조를 보고합니다. 최근 횡단면 연구 보고 bifactor 모델 최고의 데이터 및 예측 R^15,,1617,18. 예를 들어 Foorman 외. ¹⁶ unidimensional, 3 단계, 4 단계, 및 4-10 학년에서 학생 데이터에서 SVR의 bifactor 모델을 비교 및 bifactor 모델 가장 적합 하 고 인민에 대 한 분산의 72% ~ 99%를 설명 발견 일반 L 요소 모든 7 학년 및 어휘와 구문에 고유 하 게 설명만 한 학년에 설명 했다. 비록 D 요소는 적당히 연관 L과 R 모든 학년에서 (0.40 0.60 및 0.47-0.74, 각각), 그것은 고유 하 게 상관 하지 r 일반 L 요인 존재.

비록 잠재 변수 모델링 확장된 SVR L과 독특한 역할 L R 기본 성적, Foorman 그 외 여러분 에 의해 하나를 제외 하 고는 SVR의 없음 연구 넘어 예측의 차원에 의해 ¹⁹ D와 L 고유 예정 이며 무슨 공통점 공유 하는에 독에 대 한 분산을 분할 수 있다. 이것은 문학에서 큰 누락 이다. 개념적으로 D와 L 단어 인식 음운론, 의미론, 텍스트와 문장 레벨²⁰에서 담의 언어 능력을 수반 하기 때문에 문된 어를 예측에 대 한 분산 공유 것이 의미가 있습니다. 마찬가지로, 텍스트 이해²¹을 사용 하는 경우 언어 이해 표음, 형태소, 단어, 문장, 그리고 담의 직교 표현에 연결 되어야 합니다. L D 멀티 이러한 구성 요소에 의해 공유 하는 정보를 생성 하지 않습니다. 무엇 고유 이며 D와 L 예측 연구에 의해 공유로 분산을 분해 통합된 지식 교육 개입의 성공에 중요 한 발표할 예정 이다.

Foorman 그 외 여러분 에 의해 한 연구 무엇 고유 이며 무슨 D와 L에서 공통 공유에 독의 분산 분해 ¹⁹ 잠재 변수 접근 모델링 고용. 다음 프로토콜 1, 7, 및 단일 변수 D (초과 디코딩), L (수용 어휘), 및 R에 대 한 관찰에 따라 10 학년 학생 들 로부터 데이터 기술을 보여줍니다 (읽기 이해력 테스트 표준화) 분해 과정을 만들기 이해 하기 쉬운. 데이터는 Foorman 그 외 여러분 에서 데이터의 하위 집합을 나타냅니다. ¹⁹.

프로토콜

참고: 다음 단계 독특한 분산, 일반적인 분산, 그리고 설명할 수 없는 분산 구성 요소 ( 라는 두 개의 선택 된 독립 변수를 기반으로 종속 변수 (Y)에 분해 총 분산을 설명 및 이 예) 그래픽 사용자 인터페이스와 함께 소프트웨어 및 데이터 관리 소프트웨어 ( 재료의 표참조)를 사용 하 여.

1. 그래픽 사용자 인터페이스와 함께 소프트웨어 데이터 읽기

1. 클릭 파일.
   1. 마우스를 가져가면 오픈.
   2. 클릭 데이터.
2. 컴퓨터에 관련 된 데이터 파일을 찾습니다.
   1. 파일 형식을 그래픽 사용자 인터페이스와 소프트웨어와 일치 하지 않으면 형식 파일에 클릭 하 고 적절 한 파일 형식을 선택 합니다.
3. 클릭 오픈.

2. 종속 변수 (Y)에 설명 된 분산 추정

1. 에 두 개의 독립 변수를 기반으로 총 분산 설명-총 R².
   참고: R² 값 결정 계수 라고도 하 고 의존 하는 가변은 독립 가변의 세트에 의해 설명에 대 한 분산의 비율을 나타냅니다.
   1. 분석 을 클릭 하 고 회귀 에 마우스를 가져가면 선택 선형.
   2. 변수 목록에서 종속 변수를 클릭 하십시오. 다음 종속옆의 화살표를 클릭 하십시오.
   3. 두 개의 독립 변수 (X₁ 과 X₂) 변수 목록에서 클릭 하십시오. 다음 옆에 있는 화살표 클릭 합니다 Independent(s).
   4. 확인을 클릭 합니다.
   5. 소프트웨어의 뷰어 창에 클릭 하십시오.
      1. 마우스를 사용 하 여 모델 요약섹션으로 스크롤합니다. 열 R 광장 아래 값을 기록 하 고이 값 총 R²라벨.
2. 총 차이 설명에 따라
   1. 2.1.4만 사용 하 여 통해 2.1.1 단계를 반복 하 여 독립 변수 목록에서.
   2. 소프트웨어의 뷰어 창에 클릭 하십시오.
      1. 마우스를 사용 하 여 모델 요약섹션으로 스크롤합니다. 열 R 광장 아래 값을 기록 하 고이 값을 라벨 R².
3. 총 차이 설명에 따라
   1. 2.1.4만 사용 하 여 통해 2.1.1 단계를 반복 하 여 독립 변수 목록에서.
   2. 소프트웨어의 뷰어 창에 클릭 하십시오.
      1. 마우스를 사용 하 여 모델 요약섹션으로 스크롤합니다. 열 R 광장 아래 값을 기록 하 고이 값을 라벨 R².

3. 컴퓨팅 독특한, 일반적인, 그리고 설명할 수 없는 분산 구성 요소

1. 데이터 관리 소프트웨어를 엽니다.
2. 입력 레이블 총 R², R², 그리고 에서 R² 는 각각 A1, B1 및 C1, 셀.
3. 2.1.5.1 셀 a 2에서에서 단계에서 총 R² 값을 입력 합니다.
4. 입력은 R² 값 단계 2.2.2.1 B2 셀에서에서.
5. 입력은 단계 셀 C2 2.3.2.1에서에서 R² 값.
6. 변수 1의 독특한 분산 계산 (UR²) 데이터 관리 소프트웨어에서.
   1. 셀 d 2 종류에서: "A2-C2 =" (즉, 총 R² 마이너스 R²). 셀 d 1에 레이블이 값 UR².
7. 변수 2의 독특한 분산 계산 (UR²) 데이터 관리 소프트웨어에서.
   1. 셀 E2 종류에서: "= A2-B2" (즉, 총 R² 마이너스 R²). 셀 E1 라벨이 값 UR².
8. 변수 1과 2 사이의 일반적인 분산 계산 (CR²) 데이터 관리 소프트웨어에서.
   1. 셀 f 2 종류에서: "a 2-d 2-E2 =" (즉, 총 R² U 마이너스RU-² R²). 셀 f 1에 레이블이 값 CR².
9. 데이터 관리 소프트웨어에서 설명할 수 없는 차이 (e)를 계산 합니다.
   1. 셀 g 2 종류에서: "1-A2 =" (즉, 1-총 R²). 셀 g 1에이 가치 중 라벨

4. 플롯 UX₁R², UX₂R², CX₁X₂R²및 e 값

참고: 셀 D2, E2, f 2를, 및 g 2의에서 값이 구성 됩니다.

1. 클릭 한 셀 D2, E2, f 2를, 및 g 2 데이터를 강조 표시 하 고 마우스를 끕니다.
2. 데이터 관리 소프트웨어의 리본 메뉴에서 삽입 을 클릭 합니다.
3. 클릭 차트 | 원형 차트 | 2 차원 원형 차트.

결과

이 연구의 목적은 언어 (L)의 고유 하 고 일반적인 분산의 기여를 조사 하 고 디코딩 (D)이 독 (R) 1, 7, 및 10 학년 플로리다에서 국가에 그 인구 예측는으로 국가의 대표 한 전체입니다. 독에 설명 된 분산의 예측에 관한 두 가지 가설을 확인 하 고 있었다. 첫째, 기본 등급 후 D의 독특한 공헌 크게 줄어, 그리고 L의 독특한 공헌 증가할 것 이다. 둘째, L의 독특한 공헌과 D와 L의 공유 기여 크게 넘어 기본 성적 차이의 대부분에 대 한 계정을 것입니다.

참가자 학년 1, 372 학생이 학년 7, 299 학생과 플로리다 (북부 플로리다와 센트럴 플로리다에서 다른 하나)에서 두 개의 큰 도시 지역에 18 학교에서 일반 교육 교실에서 10 학년에 122 학생. 연구는 인체에 대 한 지침을 따 랐 고 부모의 동의 얻어. 연구에 대 한 학년에 걸쳐 민족...

토론

L과 디 독특하고 일반적인 분산에 R에 분산 분해 프로토콜에 있는 3 개의 중요 한 단계 첫째, d.에 대 한 독특한 R² 를 전체 모델에서 L 전용 모델에서 R² 빼기 둘째, 독특한 R² 나 3, L과 D에 의해 설명 하는 일반적인 차이를 위한 얻기, 전체 모델에 대 한 R² 에서 두 개의 고유 R² 의 합을 전체 모델에서 D 전용 모델에 대 한 R² 를 뺍니다.

프로토콜 수정 해야 하는 경우 잠재 변수 D와 L에 대 한 초과 디코딩 및 여기에 사용 되는 수용 어휘 관찰된 측정에 대 한 더미 코드를 교체 하 고 경우 제어 변수 사회 경제 상태 (SES), 같은 성별, 것 및 경주 / 민족성은 모델에 추가 됩니다. 원형 차트에서 결과 플로팅 대안 여겨질 수 있다 또한, 벤 다이어그램을 사용 하 여. 독특하고 공통 분산으로 설명할 수 없는 차이의 백분율을 표시 될 ...

재료

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
IBM SPSS 통계 소프트웨어	IBM
Microsoft Office Excel	Microsoft