评估高中 GPA 和人口统计学作为 ACT 综合成绩的预测因子 ： 优势分析

EDGAR I. SANCHEZ, PhD Conclusions 当前研究显示，高中平均成绩（HSGPA）的预测有效性非常 robust，并且它是ACT成绩的主要预测指标。®综合得分在所有考虑的社会经济和人口统计特征、高级课程指标以及学校层面特征中无保留地超越了其他变量。这种主导地位在所有模型组合中是一致的，表明预测关系在学生层面和学校层面因素上的强度。具体而言，高中平均绩点（HSGPA）在预测ACT综合得分方面优于家庭收入、种族/ Ethnicity、性别以及在英语、数学、社会科学和科学等核心科目中选择高级课程的情况。 那又怎样 ？ 这项研究确认了高中累计平均成绩（HSGPA）作为预测ACT综合分数最重要的预测因子的地位，其影响力远超过学生家庭收入、人口统计学因素或学校特征。这再次证实了学生在校学术表现与其ACT分数之间的联系。尽管HSGPA是主要的预测因子，但高级课程尤其是数学课程的学习，仍然是预测ACT综合分数的强大指标。 现在呢? 研究发现强调了学生参加严格高中课程的重要性，尤其是高级课程。这两个因素对于学生的大学准备至关重要，突显了学术准备比家庭收入和人口背景更为重要。建议高中增加其学术项目的难度，特别是在英语、数学、社会研究和科学等核心科目上。学校应努力确保所有学生，无论其背景如何，都能有机会接触到高级课程，以帮助学生掌握大学和职场所需的内容。 关于作者 Acknowledgements 埃德加 · 桑切斯博士 作者要感谢杰夫 · 艾伦 ， 勒 ， 艾米丽 · 加伦伯格 ，诺拉 · 戴利、科林 · 丁和詹姆斯 · 里德尔斯伯格对这份报告的评论。在以前的草稿上 桑切斯博士是ACT公司的主要研究科学家，他的研究领域包括高等教育录取、国家级测试项目、考试准备效果以及干预措施的有效性。在他的职业生涯中，桑切斯博士一直专注于高中与大学之间的过渡研究，并支持高校管理人员、学生及其家庭的决策能力。他的研究成果在学术文献和媒体中被广泛引用，包括华尔街日报,华盛顿邮报,今日美国， 以及教育贸易出版社。 Introduction 虽然一些作者认为不重视标准化考试成绩 ， 如 ACT®倾向于支持高中绩点（HSGPA；Kohn, 2000；FairTest, 2007a；FairTest, 2007b）的价值，这样的论点未能考虑到大量实证研究证明标准化考试分数能够有效预测大学成果的有效性（Allen, 2013；Allen & Sconging, 2005；Camara等, 2019；Kobrin等, 2008；Mattern & Patterson, 2014；Radunzel & Mattern, 2020；Radunzel& Noble, 2013；Radunzel & Noble, 2012；Sanchez, 2013；加州大学学术委员会, 2020；Westrick等, 2015）。这些研究一致表明，获得较高ACT和/或SAT分数的学生通常在第一年的GPA和累计GPA方面表现更好，并且保留学籍和毕业率也更高，相比之下，成绩较低且ACT/SAT分数较低的学生则不然。 桑切斯（待发表-a）表明，在2017届和2021届毕业生之间，高中平均绩点（HSGPA）作为新生平均成绩（first-year GPA）预测指标的一致性有所下降。相比之下，美国大学入学考试（ACT）综合分数在预测新生平均成绩方面的有效性相对稳定。此外，研究发现，由于HSGPA分布的偏斜，HSGPA无法区分高成就学生。桑切斯（待发表-b）展示了当仅使用HSGPA作为预测指标时，2017年至2020年各届学生被安置在发展课程中的概率存在显著变化。然而，对于美国大学入学考试（ACT）综合分数而言，并非如此。事实上，在各个学届中，相同ACT综合分数的学生被安置在发展课程中的概率几乎没有差异。这些研究表明，HSGPA和美国大学入学考试（ACT）综合分数的有效性随时间发生了变化，并且证明了将这两种指标结合起来使用的实用价值，而不仅仅是单独使用其中一种指标。 除了ACT分数与大学成果之间存在的预测有效性证据外，大学入学考试成绩与高中平均成绩（HSGPA）之间也存在密切的关系。例如，Marchant和Paulson（2005）研究了高中毕业考试成绩与SAT总分之间的关系。作为该研究的一部分，他们发现HSGPA解释了个人SAT分数14%的变异性。在所有预测因素中，HSGPA解释了SAT分数变异性最多。McNeish等人（2015）记录了HSGPA是ACT综合成绩的主要解释因子，在与经济和社会因素以及人口统计学因素调整后的比较中，HSGPA在ACT科目和综合成绩中的变异解释比例为20%-31%，而这些社会经济和人口统计学因素仅能解释4%或更少的比例。最后，Sanchez（待发表-c）表明，数学和科学的平均成绩，以及是否修读了高级数学和科学课程的指标，解释了ACT STEM分数41.8%的变异性；而社会经济和人口统计学因素仅额外解释了8.6%的变异性。此外，英语和社会研究的高中平均成绩以及是否修读了高级英语和社会研究课程的指标，解释了ACT ELA分数41.3%的变异性，而社会经济和人口统计学因素仅额外解释了6.2%的变异性。 大量研究关注高中课程和成绩对大学成果的预测有效性。阿德林（Adelman，2006）强调了完成严格高中课程对学生毕业率的重要性。本研究发现，完成严格高中课程的学生在大学成果方面表现更佳。 高级数学和科学课程（包括AP/IB课程）的学生更有可能本科毕业。同样，Sadler和Tai（2007）发现，修读生物、化学和物理的学生在大学科学课程中表现更好。Geiser和Santelices（2007）指出，高中时的高中毕业会考平均成绩（HSGPA），尤其是高中预备课程，是预测第一年平均成绩以及长期大学成果（如累计平均成绩和毕业率）最强的指标。在本研究中，我通过一个自我报告的高级课程修读指标来探讨类似这种高级课程修读的情况。 鉴于已有的HSGPA与ACT分数之间的关系，以及ACT分数与大学成果之间已记录的关系，本研究旨在进一步分析HSGPA、社会经济地位和人口统计学与ACT综合分数之间的联系。虽然之前引用的研究为理解ACT分数差异的来源提供了基础，但在本研究中，我将重点评估学生特征与关键学校层面特征的相对重要性。我将使用方法来划分个体预测因子及其组合对ACT分数解释变异性的贡献。此外，该分析还将根据其相对重要性对预测因子进行排名。 本研究与以往研究（这些研究探讨了ACT综合分数变异源）的关键区别在于，本研究将采用支配分析方法，这将有助于理解预测ACT综合分数的因素的重要性，而不依赖于特定模型的实施。 将解决以下研究问题 ： 1. 在比较情况下，高_school_绩点（HSGPA）是否比高级课程指标、学生的社会经济和人口统计特征以及学校层面的特征更能预测ACT综合分数？2. 高级课程指标是否比学生的社会经济和人口统计特征以及学校层面的特征更能预测ACT综合分数？ Methods 分析样品 研究涵盖了来自2022年ACT测试毕业生班级的学生共计576,783人。参与研究的学生必须具备以下数据：完整的ACT综合分数、高中平均成绩（HSGPA）、高级课程指标以及学校中参加高级课程的ACT测试学生比例。然后将样本与美国教育部国家教育统计中心（NCES，2024）收集的学校层面特征相匹配。无法与NCES数据匹配的私立学校及其他学校的学生被排除在外。表1描述了样本学生的情况并总结了用于分析的变量。样本主要由白人女性学生组成，这些学生的家庭年收入超过10万美元，并且这些学生中大多数只参加过一次ACT考试。在英语、数学、社会科学和科学等高级课程方面，样本学生大致各占一半。 措施 ACT 复合材料。The ACT综合分数反映了申请人在毕业前最近参加的ACT考试成绩。该分数可能是通过学校日的州和区测试项目或在全国测试会期内获得的。 累积高中 GPA 。基于每位学生自己的成绩单，使用了最多可达23门课程的成绩（包括英语、数学、社会研究和科学），计算每位学生的高中平均成绩（HSGPA）。Sanchez和Buddin（2015）发现自我报告的平均成绩与成绩单上记录的平均成绩之间存在强烈的关联。此外，其他研究（Camara等人，2003；Kuncel等人，2005；Shaw和Mattern，2009）也验证了使用自我报告数据进行学术研究的可靠性。 参加了高级课程。一项自我报告的指标，即是否已修读高级英语、数学、自然科学和社会研究课程被纳入分析。这包括每门科目都参加了AP、加速或荣誉课程。 人口特征。学生自行报告的人口统计信息包括家庭收入、性别和种族/ Ethnic 背景，并在学生注册参加ACT考试时收集。家庭收入被划分为四个类别：低于36,000美元、36,000美元至60,000美元、60,000美元至100,000美元、超过100,000美元以及缺失回答。学生从四个选项中选择自己的性别：男性、女性、另一性别或其他性别，以及选择不回应。种族/族裔识别包括：亚裔、黑人、西班牙裔、美洲原住民、夏威夷原住民/太平洋岛民、白人、两个或多个种族、选择不回应或未提供答案。 学校特色。学校特征数据来源于美国教育部国家教育统计中心（NCES，2024）。研究中包括了被分类为少数族裔学生的比例，这些学生包括美洲原住民或阿拉斯加原住民、西班牙裔、非裔美国人和夏威夷原住民或其他太平洋岛屿居民。此外，研究还纳入了有资格享受免费或减价午餐的学生比例。最后，通过结合每所学校参加ACT考试的学生数量以及注册时学生提供的高级课程参与指标，评估了学校中参加高级课程的ACT考试学生比例。 平均学业成绩。根据 2022 年毕业班的数据 ， 计算了高中平均 GPA ， 以纳入研究。 测试特性。研究证明，学生在重新参加ACT考试时，他们的分数往往会有所提高（Allen, 2022）。然而，额外的重新测试会导致收益递减。因此，学生参加ACT考试的次数被纳入了本研究。此外，研究中的学生可能是在州和学区学校日常测试计划中或在国家测试会期内参加ACT考试。由于测试背景的不同，研究中还包括了一个指标来表示学生参加的是哪种类型的测试。 分析方法 我首先使用带聚类稳健标准误的线性回归模型来评估要纳入进一步分析的预测变量的统计显著性。随后，采用支配分析方法分解所解释的变异比例，以识别对ACT综合分数最重要的预测变量（Azen & Budescu, 2006; Budescu, 1993）。1主导性分析是一种评估多元回归模型中预测变量相对重要性的方法。此方法通过分析 R2所有可能的预测因子子集模型的值。该方法旨在克服传统方法确定预测因子重要性的局限性，这些传统方法依赖于特定模型，并且可能在不同的预测因子子集中不具不变性。支配分析通过将因变量的总变异分解为由预测因子解释的变异，提供了更为精确且模型独立的预测因子重要性度量。 一般支配性现象发生在某个预测变量在所有可能的预测变量子集中的平均情况下解释了因变量更多方差时，相比于其他预测变量。它评估了预测变量对模型解释力的平均贡献，涵盖了所有其他预测变量组合的情况。这种支配形式允许对模型中预测变量的重要性进行排序。条件支配性是在每个模型子集大小级别的基础上进行评估的。如果一个预测变量在其任何给定大小的所有可能预测变量子集中对模型解释力的贡献都大于另一个预测变量，则该预测变量有条件地支配另一个预测变量。与一般支配性相比，这种支配性更为具体，因为它要求预测变量在所有特定大小的子集中的重要性更高，而不仅仅是平均水平上。如果一个预测变量在包括两个预测变量的所有可能子集模型中解释了更多的因变量方差，则该预测变量完全支配另一个预测变量。这是支配性的最严格形式，表明无论模型中其他预测变量的组合如何，一个预测变量总是比另一个预测变量更显著地贡献于模型的解释力。 使用 R 对预测因子在模型中的重要性的传统解释2受预测器进入模型顺序的影响，这限制了其能