Modeling Educational Performance Using School Demographics and Teacher Characteristics
用学校人口特征与教师特征建模教育表现AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦惩罚回归估计量、渐近性质与教育数据应用，未涉及所提供领域细分中的因果推断、面板、离散选择、时间序列或金融方向，故不选择任何细分。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
用学校人口特征与教师特征建模教育表现
- 研究问题
- 摘要称，高维教育数据常存在稀疏性、分组预测变量与局部相关协变量，传统回归方法效果受限；研究问题是如何在此类数据中同时进行变量选择、组正则化与系数融合，并用于教育表现建模。
- 方法与思路
- 作者提出自适应加权组融合 LASSO 估计量，在统一的惩罚回归框架内联合实现自适应变量选择、组正则化与系数融合；摘要称开发了高效 ADMM 算法，并建立了相合性、oracle 性质与去偏渐近正态性等渐近性质。
- 材料陈述的贡献
- 摘要称模拟研究显示其在估计与预测上优于既有惩罚方法；并称应用于阿拉巴马州公立学校数学熟练度数据时，模型可解释性、预测精度有所改善，且能识别最具影响力的机构层面预测变量。
- 阅读关注点
- 应核对惩罚项的具体形式与自适应权重构造、ADMM 的收敛条件、渐近性质所需的识别与正则化假设、模拟设计是否覆盖摘要所述数据特征，以及教育应用中的样本、变量定义与评估方式。
- 阅读边界
- 仅凭摘要无法判断渐近性质与模拟结论是否成立，也无法核实数据来源、变量构造与结果数值；摘要未说明识别假设细节、算法复杂度与稳健性检验。该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
High-dimensional educational datasets often exhibit sparsity, grouped predictors, and locally correlated covariates, limiting the effectiveness of conventional regression methods. We propose an Adaptive Weighted Group Fused LASSO estimator that jointly performs adaptive variable selection, group regularization, and coefficient fusion within a unified penalized regression framework. An efficient ADMM algorithm is developed, and asymptotic properties, including consistency, oracle property, and debiased asymptotic normality, are established. Simulation studies demonstrate superior estimation and prediction performance compared with existing penalized methods. An application to Alabama public school mathematics proficiency data illustrates improved model interpretability, predictive accuracy, and identification of the most influential institutional predictors.