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

이 방법은 읽기 와 언어 발달의 심리학에 대한 사회 과학 분야의 주요 질문에 대답하는 데 도움이 될 수 있습니다. 이 기술은 개별 차이 특성이 어떻게 서로 달라지는지, 그리고 다른 특성과 공유하는 효과와 비교하여 독특한 효과가 어떻게 통할 수 있는지를 보여줍니다. 이 기술의 의미는 사회 과학에 더 광범위하게 확장됩니다.

그것은 우리가 겹치는 분산을 이해하는 데 도움이 예측자의 공통점을 고려 할 수 있습니다. 그래픽 사용자 인터페이스를 사용하여 데이터를 소프트웨어로 읽으려면 파일을 클릭하고 마우스를 열어 마우스를 마우스로 마우스를 마우스로 가져갑니다. 데이터를 클릭하고 컴퓨터에서 관련 데이터 파일을 찾습니다.

파일 형식이 그래픽 사용자 인터페이스와 소프트웨어와 일치하지 않는 경우 형식의 파일을 클릭하고 적절한 파일 형식을 선택합니다. 그런 다음 열린 것을 클릭합니다. 두 개의 독립적인 변수를 기반으로 총 분산을 설명하려면 해석을 클릭하고 회귀 위에 마우스를 마우스를 마우스를 마우스로 가져가선형을 선택합니다.

변수 목록의 종속 변수를 클릭한 다음 종속 항목 옆에 있는 화살표를 클릭합니다. 변수 목록에서 두 개의 독립적인 변수를 클릭하고 독립 옆에 있는 화살표를 클릭합니다. 확인을 클릭하고 소프트웨어의 뷰어 창을 클릭합니다.

마우스를 사용하여 모델 요약 섹션으로 스크롤하고 값을 R 정사각형 아래에 기록합니다. 그런 다음 이 값 총 R 제곱에 레이블을 지정합니다. 독립 변수 하나에 따라 총 분산을 설명하려면 독립 변수 목록에서만 독립 변수로 총 분산 설명을 반복하고 소프트웨어의 뷰어 창을 클릭합니다.

그런 다음 마우스를 사용하여 모델 요약 섹션으로 스크롤하고 R 사각형 열 아래에 값을 기록하고 이 값독립 변수 1 R 제곱에 레이블을 지정합니다. 독립 변수 2를 기반으로 총 분산을 설명하기 위해 독립 변수 목록에서만 독립 변수 2로 총 분산 설명을 반복하고 소프트웨어의 뷰어 창을 클릭합니다. 그런 다음 마우스를 사용하여 모델 요약 섹션으로 스크롤하고 R 정사각형 열 아래에 값을 기록하고 이 값독립 변수 두 R 제곱에 레이블을 지정합니다.

고유하고 일반적이며 설명할 수 없는 분산 구성 요소를 계산하려면 데이터 관리 소프트웨어를 열고 총 R 제곱 독립 변수 1R 제곱 및 독립 변수 2R을 셀 A1, B1 및 C1에 정중하게 제곱입력합니다. 총 R 제곱 값을 A2에 입력합니다. 독립 변수 하나 R 제곱 값을 B2로 곱하고 독립 변수 2R 제곱 값을 C2로 합니다. 변수 분산을 계산하려면 수식을 D2에 입력하고 이 값을 D1의 변수 분산의 고유한 분산으로 레이블을 지정합니다. 변수 2의 고유한 분산을 계산하려면 수식을 E2로 입력하고 값을 E1에서 변수 2의 고유한 분산으로 레이블을 지정합니다. 변수 1과 2 사이의 공통 분산을 계산하려면 수식을 F2로 입력하고 이 값을 F1의 변수 1과 2 사이의 공통 적인 다양한 값으로 레이블을 지정합니다. 설명할 수 없는 분산을 계산하려면 수식을 G2에 입력하고 G1에서 설명할 수 없는 분산값에 레이블을 지정합니다. 변수 1의 고유한 분산, 변수 2의 고유한 분산, 변수 1과 2 간의 공통 분산, 설명할 수 없는 분산, D2, E2, F2 및 G2를 통해 마우스 셀을 클릭하고 드래그하여 데이터를 강조 표시하고 삽입을 클릭한 다음 차트, 원형 차트 및 2D 원형 차트를 클릭합니다. 독서 이해를 예측하기 위한 언어와 디코딩의 독특하고 일반적인 차이에 대한 이 대표적인 연구에서, 한 학년 학생의 회귀 분석은 독서 이해의 전체 차이의 60%를 차지했습니다.

1등급의 차이가 독특하고 일반적인 효과로 분해되었을 때, 디코딩은 읽기 이해에 있는 분산의 24%를 유일하게 설명했으며, 언어는 17%의 차이를 독특하게 설명하였다. 디코딩과 언어의 일반적인 차이는 19%였으며, 7학년에서는 회귀 분석이 전체 학습률의 53%를 차지했습니다. 디코딩을 통해 독서 이해의 분산의 7%를 고유하게 설명하고 언어는 분산의 28%를 설명했습니다.

독서 이해의 차이를 설명하는 디코딩 및 언어의 일반적인 차이는 18%였으며, 회귀 분석은 독서 이해에서 전체 차이의 61%를 차지했습니다. 디코딩을 사용하면 분산의 6%를 고유하게 차지하고 언어는 분산의 42%를 차지합니다. 독서 이해의 차이를 설명하는 디코딩 및 언어의 일반적인 차이는 이 절차를 시도하는 동안 13%였으며, 분해 프로세스는 각 독립적 변수가 설명하는 고유한 분산을 별도로 계산하는 일반적인 회귀 접근 방식과 다르다는 것을 기억하는 것이 중요합니다.

이 프로토콜은 독특하고 일반적인 분산의 비율이 사회 경제적 지위와 다른지 여부에 대한 추가 질문에 대답하도록 수정할 수 있습니다. 또한 관찰 가능한 변수를 잠복 변수로 교체하여 측정 오류를 줄일 수 있습니다. 디코딩과 언어가 함께 읽기 이해를 예측하는 데 설명하는 일반적인 차이의 양, 특히 초등학교 학년에서 교육은 단어 수준에서 언어 지식의 통합에 초점을 맞추어야한다는 것을 시사한다.