An HLM Analysis of Students’Mathematics Achievement in the Selected Asia Countries and Area Based on PISA 2012 Dataset

摘要

自科尔曼报告以来，涌现出了大量研究。尽管研究结果并不一致，但关于环境因素是否对学生学业成就有着重大影响或者是否学生或家庭层面的因素对学生学业成就产生着更显著的影响等一直是学界持续不断的研究主题。近年来，研究者们逐渐将注意力从美国学生学业成就研究转移至发展中国家教育产出功能研究及发展中与发达国家学生学业成就的比较研究。此外，随着学业成就研究逐渐加深，研究方法与研究设计也愈加严谨规范。如最小二乘法估计技术已受到了密切关注。八十年代以后，越来越多有效的研究方法涌现出来，多层线性模型逐渐成为许多论文的主要分析模型。而模型的选择仍要取决于所收集教育数据的类型。教育数据并不适用最小二乘法估计的假设，即假设聚在一组的个体可能与该组其他被试的数据更相像而不是与其他组的被试数据相像，这就影响了参数估计的精确性。
　　出乎意料的是，随着数据、国别、研究方法、年代等的变化，关于哪些因素能够更好地解释学生学业成就的讨论并未终结。相反，相关背景信息的改变为不一致的研究结果提供了更多的支持。文献综述发现仍有必要加强学生学业成就影响因素的相关研究，尤其是加强发展中国家该方面的研究。
　　概括而言，文献综述并未得出适用于世界各地的影响学生学业成就的确定性因素，关于各因素对学业成就的作用方向与程度的相关研究尚未达成一致。并且，适用于一个国家的模型在未经过实证研究的条件下并不可能适用于另一个国家。
　　根据经济合作与发展组织(OECD)报告，中国上海与新加坡的经济发展水平居于前列，印度尼西亚和马来西亚的经济处于较低的发展水平，但印度尼西亚发展仍落后于马来西亚。因此，本研究不仅分析比较印度尼西亚和马来西亚与中国上海、新加坡在数学学业成绩上的差异，还尝试通过分析选择的亚洲国家和区域在国际学生评估项目(PISA)的数学测试成绩总结出些许规律。
　　国际学生评估项目采用分层抽样程序。第一层抽样中，根据学校规模随机抽选适龄学生，每个国家至少选择150个学校，随后将年龄限制为15岁左右的学生。印度尼西亚、马来西亚、中国上海、新加坡四个国家（城市）的样本量分别为5622、5197、5177和5546。数据来源于PISA官方网站。数据分析采用描述性分析、多层线性模型，采用HLM7.0软件。
　　研究采用多层线性模型分析，第一层、第二层分析不包含解释变量。模型分析结果显示国家间的数学成绩表现存在显著差异，同样地，组间相关分析发现国家间不一致。结果表明，该模型在不同国家的作用不同。具体而言，在印度尼西亚和上海，除了学前教育经历不足一年的学生，其他所有的学生背景变量均是数学成绩的显著预测变量;然而，只有学前教育经验超过一年的新加坡学生的家庭经济、社会文化地位与其数学得分显著相关。同样，对于学前教育经历少于1年的新加坡学生而言，不同学校间的数学成绩与性别间的关系存在显著差异，并且，在马拉西亚，仅有性别变量与学校显著相关。
　　除了新加坡，印度尼西亚、马来西亚及上海的数学成绩和学校教育资源质量存在显著相关关系，新加坡的数学成绩与学校教育资源质量的相关关系在不同学校间存在显著差异。研究发现，在选择的亚洲国家和区域，师生比与数学成绩间存在显著相关关系。
　　总之，实证研究发现，至少在研究涉及到的亚洲国家和区域中，学生水平的变量在一定程度上可以很好地解释学生数学学业表现，但这并不意味着对其他潜在变量的否定。值得一提的是，在2012年的PISA测试中，上海和新加坡分别位列第1位和第2位，马来西亚排第52位，而印度尼西亚在参与的PISA测试的65个国家中仅排64位。
　　尽管本研究并未得出系统变量，未来研究可以采用三层级的多层线性分析模型，以探究国家间在教育系统、教育政策、教育实践等方面的差异是否会影响学生的数学学业表现。此外，未来研究可以采用现有的国际学生学业成绩其他大型数据库，如TIMSS、SACMEQ、PIRLS等。最后，本研究并未对背景变量与学生数学成绩间的显著关系出现的原因作出解释，后续研究可在此基础上，对每个国家或地区的数学学业成绩展开深入研究，以探明其与背景变量的关系。

目录

声明

ACKNOWLEDGEMENT

DEDICATION

Acronyms

摘要

Abstract

Table of Contents

List of Figures and Tables

Chapter One INTRODUCTION

1．1 Introduction to the Study

1．1．1 Globalization and Education in Asia

1．2 Justification for Choosing PISA 2012 Database

1．3 Statement of the Problem

1．4 Purpose of the Study

1．5 Research Questions

1．6 Significance of the Study

1．7 Rationale for Choosing the Selected Asia Countries and Area

CHAPTER TWO International Assessment Studies

2．1 Background to the International Assessment Studies

2．1．1 Key Features of PISA 2012

2．2 Programme for International Student Assessment(PISA)

2．3 Trends in International Mathematics and Science Study(TIMSS)

2．4 Southern and Eastern Africa Consortium for Monitoring Educational Quality(SACMEQ)

2．5 Progress in International Reading Literacy Study(PIRLS)

2．6 Importance of International Mathematics Achievement Assessments

2．7 Comparative Studies in Mathematics Education by International Organizations

2．7．1 Comparative Studies in Mathematics Education by Academics

Chapter Three Review of Related Literature

3．1 Introduction

3．2 The Education Production Function

3．2．1 InternationaI Evidence on Education Production Functions

3．2．2 The Treatment of Endogenous and Exogenous Variables

3．3 Empirical Study on Student Academic Achievement

3．4 Conclusion

Chapter Four Research Methodology

4．1 Introduction

4．2 Purpose of the Study

4．3 Data Source

4．4 Study Population and Sample

4．5 Variables for the Study

4．5．1 Students’ Gender gap

4．5．2 Preschool Education Attendance

4．5．3 Students’ Family Socioeconomic Status(SES)

4．5．4 Math Teacher-Student Ratio

4．5．5 Quality of School Educational Resources

4．6 Statistical Models and Analysis

4．7 Multilevel Analysis Procedure

4．8 Models for the Study

4．8．1 The Level-1 Model

4．8．2 The Level-2 Model

4．9 Steps to be taken to Analyze the Data using HLM

4．10 Secondary Data Analysis

4．10．1 Advantages

4．10．2 Disadvantages

Chapter Five Empirical Results

5．1 Introduction

5．2 Results of Indonesia

5．2．1 Descriptive Statistics

5．2．2 Unconditional Model

5．2．3 Conditional Model

5．2．4 The Final Model

5．3 Results of Malaysia

5．3．1 Descriptive Statisties

5．3．2 Unconditioual Model

5．3．3 Conditional Model

5．3．4 The Final Model

5．4 Results for Shanghai

5．4．2 Unconditional Model

5．4．3 Conditional Model

5．4．4 The Final Model

5．5 Results of Singapore

5．5．1 Descriptive Statistics

5．5．2 Unconditioilal Model

5．5．3 Conditional Model

5．5．4 The Final Model

5．5．5 Conclusion

6．1 Review of Method

6．2．1 Unconditional Model

6．2．2 Student Background Model

6．2．3 School Background Model

6．2．4 Mathematics Achievement：Country-Specific Empirical Findings

6．2．5 Trends／Findings in the Selected Countries and Area

6．3 Limitations

6．5 Implications

6．6 Future Research

6．7 Recommendations

References

About the Author

Appendices