Uncovering latent territorial structure in ICFES Saber 11 performance with Bayesian multilevel spatial models
用贝叶斯多层空间模型揭示ICFES Saber 11成绩中的潜在地域结构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：摘要主题为教育成绩的贝叶斯多层空间建模与聚类，属于空间分层建模应用，未直接对应所列微观因果、面板、离散选择、结构估计、分位数、网络或宏观、金融等细分方向，故不选择。
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…
用贝叶斯多层空间模型揭示ICFES Saber 11成绩中的潜在地域结构
- 研究问题
- 摘要称，本文关注2022年第二学期哥伦比亚Saber 11考试成绩，试图在多层回归中同时刻画市镇与省级空间随机效应，并比较社会人口协变量的贡献，从而识别成绩背后的潜在地域结构。
- 方法与思路
- 作者提出贝叶斯分层框架，将多层回归与市镇、省级空间随机效应结合，并引入Ridge与Lasso正则化先验比较协变量贡献；用MCMC实现推断，并以模拟数据评估模型行为，还用基于K-means的混合贝叶斯分割传播后验不确定性。
- 材料陈述的贡献
- 摘要称模拟结果显示Ridge在参数恢复、预测精度与抽样效率上最均衡，Lasso拟合与后验稳定性较弱但在强多重共线性下预测精度有改善；应用中发现成绩高度集中，中部省份较高、边缘地区较低，最强相关因素为学生生活条件、母亲教育、教育资源可及性、性别与族裔背景。
- 阅读关注点
- 阅读全文时应核对：空间随机效应的先验与识别设定、Ridge与Lasso先验的具体形式及比较标准、模拟设计与真实数据的对应程度、K-means分割如何传播后验不确定性，以及相关性与因果解释的边界。
- 阅读边界
- 仅凭摘要无法判断模型识别假设、估计量性质、模拟结果稳健性与政策结论的因果含义；摘要未说明数据来源细节、样本量与模型比较的量化指标。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
This article develops a Bayesian hierarchical framework to analyze academic performance in the 2022 second semester Saber 11 examination in Colombia. Our approach combines multilevel regression with municipal and departmental spatial random effects, and it incorporates Ridge and Lasso regularization priors to compare the contribution of sociodemographic covariates. Inference is implemented in a fully open source workflow using Markov chain Monte Carlo methods, and model behavior is assessed through synthetic data that mirror key features of the observed data. Simulation results indicate that Ridge provides the most balanced performance in parameter recovery, predictive accuracy, and sampling efficiency, while Lasso shows weaker fit and posterior stability, with gains in predictive accuracy under stronger multicollinearity. In the application, posterior rankings show a strong centralization of performance, with higher scores in central departments and lower scores in peripheral territories, and the strongest correlates of scores are student level living conditions, maternal education, access to educational resources, gender, and ethnic background, while spatial random effects capture residual regional disparities. A hybrid Bayesian segmentation based on K means propagates posterior uncertainty into clustering at departmental, municipal, and spatial scales, revealing multiscale territorial patterns consistent with structural inequalities and informing territorial targeting in education policy.