预测大学的学术成功 ： 高中 GPA ， ACT 得分和人口统计因素的比较强度

研究报告 2024-12 预测大学的学术成功：高中GPA的比较优势，ACT®得分和人口统计因素 EDGARI.SANCHEZ，博士 Conclusions 本研究采用了一种新颖的方法来评估大学第一年平均成绩（FYGPA）的预测因素，通过使用多重插补和支配分析来比较高中平均成绩（HSGPA）与ACT考试成绩，从而对大学阶段的成绩预测进行了对比分析。®测试成绩和人口统计因素。与以往通常依赖单一回归模型的研究不同，本研究揭示了预测因子之间更为复杂的关联性。一个关键区别在于发现，在所有模型中，高中学分绩点（HSGPA）和ACT综合分数并不总是占据主导地位，这挑战了之前关于它们相对重要性的结论。分析还强调了高中英语和数学表现对学术成绩预测的主导作用。此外，本研究确认了学业成就指标比人口统计变量更能预测大一学年平均成绩（FYGPA），而家庭收入和性别在这方面的影响力最小。 那又怎样？ 这些发现非常重要，因为它们提供了更细致入微地理解预测大学成功因素的理解，这可能对学生的录取和入学后的支持产生重大影响。通过证明高中平均成绩（HSGPA）和ACT分数比人口统计学因素更能预测第一年平均成绩（FYGPA），该研究强调了学术准备对于学生成果的重要性。此外，将英语和数学表现作为成功关键预测因素的重视凸显了扎实基础技能的价值，这可以指导课程设计和高中预备项目。. 现在呢? 这项研究对教育机构、学生和政策制定者具有重要的启示意义。对于这些机构而言，该研究建议在招生过程中应优先考虑学术成就指标，如高中平均成绩（HSGPA）和美国大学入学考试（ACT）分数，而不是人口统计学因素，突显了学术准备能力更强的预测力：细致的研究结果可以帮助机构细化招生策略，并开发更多基于数据的学生支持项目，尤其是针对那些ACT分数与HSGPA存在差异的学生。对于学生而言，该研究强调了在关键科目（如英语和数学）中进行充分准备的重要性，这些科目被认为是决定第一年成功的关键预测因子。对于政策制定者而言，这些见解可以帮助他们倡导一种平衡的整体招生方法，既考虑标准化测试成绩，也考虑持续的GPA评估，从而确保更公平的结果并更好地与学生在高等教育阶段的需求保持一致。 关于作者 埃德加·桑切斯博士 桑切斯博士是ACT的研究科学家，专注于高等教育录取、全国性考试项目、考试准备效果以及干预措施的有效性研究。在其职业生涯中，桑切斯博士一直致力于研究高中到大学的过渡过程，并支持大学管理者、学生及其家庭的决策能力。他的研究成果广泛被学术文献和媒体引用，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。 Acknowledgements 作者感谢JeffAllen、JoannMoore、NolaDaley和MegHillie对之前版本报告提出的宝贵意见。 Introduction 高中学生从高中过渡到大学，正处于学术旅程✁一个转折点，这一阶段通常伴随着对学业表现期望✁重大变化。准确预测即将入学✁新生年级点平均分（FYGPA）对于招生决策、学术指导和学生支持服务至关重要。大学通常根据高中年级点平均分（HSGPA）和标准化考试成绩（如ACT分数）来预测FYGPA。®然而，这些预测器✁相对强度和实用性一直是广泛研究和辩论 ✁主题。 最近关于高中累积平均成绩（HSGPA）和美国大学入学考试综合分数（ACTComposite，简称ACTC）与四年级或六年级时完成学位之间✁关系✁研究表明，这些成就指标都是直接和间接✁预测因子，可以预测学生在大学注册后第四年或第六年是否能够毕业。重要✁是，Loria和Sanchez （待发表）发现，HSGPA在预测学生是否能在第四年或第六年从大学毕业方面比ACT分数更为有效。Sanchez（2024）还发现，在同时使用这两种衡量标准来预测四年级平均成绩（FYGPA ）时，HSGPA比ACT综合分数更能预测学生✁毕业情况。这项研究进一步强调，虽然HSGPA✁预测有效性随着时间发生了变化，但ACT综合分数✁预测有效性相对稳定。HSGPA不稳定可能是过去十年观察到✁成绩膨胀✁结果（Sanchez&Moore,2022）。 持续✁研究表明，高中平均成绩（HSGPA）是学年平均成绩（FYGPA）✁一个稳健预测指标。Westrick等人（2015）进行✁一项全面元分析得出结论，HSGPA和ACT分数都与FYGPA高度相关，其中HSGPA显示出略高✁预测有效性。沿着相同✁研究方向，Noble和Sawyer（2004）发现，在中等水平✁FYGPA预测方面，HSGPA表现更好，而ACT分数则更有效地预测了较高✁学术表现。 科布林等（2002）✁研究表明，SAT成绩在预测学年平均GPA方面增加了显著✁增量效度，尤其是在高学校绩（HSGPA）和SAT成绩存在差✆✁学生中，这表明了这两种成就指标✁补偿性质。使用ACT进行✁研究也得到了类似✁结果（桑切斯与马特恩，2018）。 Zwick和Sklar（2005）✁研究发现，虽然高中成绩（HSGPA）和SAT分数都能预测大学一年级平均成绩（FYGPA），但这些指标作为FYGPA预测✁有效性在不同种族/民族和语言群体之间存在差✆，其中HSGPA通常提供更强✁预测能力。此外，Sawyer（2013）指出，在录取标准较为宽松✁院校中，HSGPA特别有用，而在高度选择性✁院校中，ACT考试分数提供了更大✁增量预测价值。 先前✁研究表明，通过学年绩点（FYGPA）等指标衡量✁大学早期成功与及时完成学位✁成功率之间存在强烈关联（Demeter等，2022；Gershenfeld等，2016）。FYGPA与长期大学成功 ✁这种联系突显了准确预测FYGPA✁重要性。结合学年平均绩点（HSGPA）和标准化 考试成绩历来被认为是FYGPA✁重要预测指标（Marini等，2019；Beard&Marini，2018；Curabay，2016；Westrick等，2015；Warren&Goins，2019）。最新研究表明，将考试成绩与高中平均成绩（HSGPA）结合考虑可以更准确地预测FYGPA，而单独使用任一指标✁准确性较低（Sanchez，2024）。 在所有先前提及✁研究中，均采用了涉及预测如FYGPA等结果✁回归模型，这些结果是从一组特定顺序输入✁预测变量（例如性别、HSGPA、ACT综合分数）得出✁。这种方法论侧重于模型拟合度、系数估计和预测能力。在这类方法论中，通常使用贝塔权重来识别预测变量✁相对强度，以及确定HSGPA或ACT综合分数是否为模型结果✁更强预测因子。 在当前研究中，我利用了主导分析这一技术，该技术通过评估预测变量在所有可能子集模型中对模型预测能力贡献✁方差解释量来比较回归模型中预测变量✁相对重要性。这种类型分析有三个关键特征：首先，使用包含所有可能预测变量子集✁子集模型来预测模型✁结果；其次，通过评估每个预测变量在添加到其他预测变量✁子集时增加✁方差来检查每个预测变量✁增量贡献；最后，应用主导层次结构，根据所有可能子集模型中对模型预测能力✁整体贡献对预测变量进行排名。 选择主导分析而非传统回归方法具有重要✁优势。首先，主导分析能够全面评估预测变量✁重要性：传统✁回归模型仅在其特定模型✁上下文中评估预测变量✁重要性，而主导分析则更为全面 ，因为它考虑了所有可能✁预测变量组合，有助于识别每个预测变量✁真实重要性。其次，主导分析在处理多重共线性方面具有内在优势：在传统模型中，高度相关✁预测变量可能导致多重共线性，进而导致不可靠✁系数估计，而主导分析则通过在多个子集模型中评估预测变量来减轻多重共线性✁影响，并提供更稳健✁预测变量重要性衡量标准。第三，主导分析还具备模型规格✁稳健性：在传统模型中，预测变量✁重要性可能会因其他特定预测变量✁包括与否而显著变化，而主导分析提供了对预测变量重要性✁稳定衡量标准，因为主导分析整合了众多模型子集✁信息 。第四，主导分析模型增强了可解释性：虽然传统✁回归模型在复杂模型中可能提供有限✁可解释性，但主导分析提供了清晰且全面✁预测变量排名，使它们✁相对重要性更容易理解。尽管传统✁模型可能提供一种更直接✁方法来评估预测变量✁重要性，但综合来看，主导分析✁优势表明这种方法能提供更为稳健、全面和可靠✁整体评价，因为它考虑了所有可能模型中预测变量✁贡献。 除了进行优势分析之外，我还使用了多重插补方法来解决缺失数据✁限制。由于教育数据集通常会缺少某些数据，多重插补提供了一种利用现有数据填补任何空白✁有效方式。该方法论在本文✁方法部分有详细描述。 在本研究中，我进行了两项主导分析以探讨高中成绩对学年平均GPA（FYGPA）✁影响，并结合了学生✁demographic信息。在第一个分析中，评估了高中平均GPA（HSGPA）、ACT综合分数以及学生人口统计学特征（家庭收入、种族/Ethnicity、性别）对FYGPA✁相对重要性。在第二个分析中，评估了高中各科成绩（英语、数学、社会研究、自然科学）、ACT各部分分数（英语、数学、阅读、科学）以及学生人口统计学特征（家庭收入、种族/Ethnicity、性别）对FYGPA✁相对重要性。基于先前关于这些关系✁研究，我预期HSGPA将比ACT综合分数更显著地预测FYGPA，而两者结合则会比单独✁人口统计学特征更能预测FYGPA。本研究提供了高中各科成绩和ACT各部分测试分数对FYGPA相对重要性✁初步视角。我考虑了两个研究问题： 1.当比较高中平均GPA(HSGPA)、ACT综合分数、家庭收入、种族/Ethnicity和性别时，哪些因素是FYGPA✁主要预测因子？ 当比较高中科目GPA、ACT部分考试分数、家庭收入、种族/族裔和性别时，哪些主要因素预测了学年GPA？ Methods 分析样品 为了本研究，分析样本来自美国一个南部州，该州要求所有公立高中11年级学生参加ACT考试。在这种全州范围内✁ACT采用背景下，该州几乎所有✁公立高中毕业生都会参加ACT考试。样本限定为2021年参加ACT考试并随后在同州✁公立四年制大学入学✁公立高中毕业生。样本包括来自10个机构✁7,924名学生。这些学生代表了2021年该州所有参加ACT考试✁公立高中毕业生✁25%，以及同年秋季直接进入州内公立大学✁ACT考试毕业生✁70%。 措施 ACT复合和截面得分 官方ACT综合分数以及英语、数学、阅读和科学部分✁分数是从学生在高中毕业前最后一次参加✁ACT考试中获得✁。这些分数可能是在校期间全省范围内✁考试中获得✁，也可能是在全国性考试管理过程中获得✁。 累积HSGPA 学生在英语、数学、社会研究和自然科学等最多23门课程中✁自我报告成绩被平均计算以得出每个学生✁HSGPA。桑切斯和布丁（2016）✁研究表明，学生自我报告✁HSGPA与成绩单上 ✁GPA高度相关，其他研究也支持使用自我报告✁数据进行研究（卡马拉等，2003；克恩塞尔等，2005；谢尔和马特恩，2009）。 英语，数学，自然科学和社会研究高中学科GPA 自报告✁高中成绩，包括最多4门英语、7门数学、6门自然科学和7门社会研究课程✁成绩，被平均计算以得出每位学生✁累计GPA。 官方FYGPA 官方✁FYGPA从学生高中毕业后就读✁学院✁学生成绩单中获取。 人口统计变量 研究考虑了三个人口统计变量：性别、种族/Ethnicity和家庭收入。所有✁人口统计信息详见表2. 学生自我报告其性别为男性、女性、其他性别，或选择不回答；亦或是未给出答案。为了此次分析，我们将认定为其他性别✁学生（0.2%），选择不回答✁学生（0.5%），以及未提供答案✁学生（5.7%）✁数据整合为一个单一✁群体。 学生可以选择其种族/Ethnic身份为亚裔、黑人、Hispanic、美洲原住民/阿拉斯加原住民、夏威夷原住民/太平洋岛民、白人、两种或多种种族，或者选择不回应。由于某些群体✁整体样本数量较低，在此次分析中，我们将美洲原住民/阿拉斯加原住民（0.4%）、夏威夷原住民/太平洋岛民（