基于回归分析模型的学生学业成绩差异研究

冯玉平，李恒武，郭 辉

（中国人民解放军战略支援部队信息工程大学，河南 郑州 450000）

0 引言

学生学历学习信息化管理水平的提高,对学生学业成绩的量化评估准确性要求也越来越高,需要构建优化的学生学业成绩差异度检测和分析模型。 通过差异度分析,建立学生学业成绩差异性的变量分析模型,结合诸多差异化因素特征分析,进行学生学业成绩差异性解释和动态调节,提高对学生学业成绩的动态管理能力和水平［1］。

当前,学生学业成绩差异性分析的方法主要有向量自回归分析方法、内生变量分析方法以及联合特征分析方法。 构建学生学业成绩差异分析的扰动分析模型,结合影响学生学业成绩的诸多因素,通过随机变量分析的方法,进行学生学业成绩差异度检验。 但利用传统方法进行学生学业成绩差异分析的可靠度不高［2］。 针对上述问题,本文提出基于回归分析模型的学生学业成绩差异分析模型。 首先,构建学生学业成绩的梯度分析模型,采用差异化的信息重组,进行学生学业成绩的大数据演化分析；其次,建立学生学业成绩分布式递归统计分析模型,通过回归分析方法,实现学生学业成绩差异度检验。 最后,进行实证检验分析,展示了本文方法在提高学生学业成绩差异性分析能力方面的优越性能。

1 学生学业成绩差异分析数据来源及研究对象

为了实现对学生学业成绩的差异分析,构建学生学业成绩的梯度分析模型,以学校大一年级学生为研究对象,采用差异化的信息重组方法,构建学生学业成绩差异分析的回归检验模型,采用LNSK 和LNM2 模型,进行学生学业成绩差异度分布构造［3］,对学生学业成绩差异分析分自变量分布如表1 所示。

表1 学生学业成绩差异分析的自变量

根据上述学生学业成绩差异分析数据来源分析,进一步检验学生学业成绩差异度变量的协整关系,采用动态特征分析的方法,建立学生学业成绩差异度分布变量关系［4］。

2 学生学业成绩差异度检验模型

采用差异化的信息重组,进行学生学业成绩的大数据演化分析,建立学生学业成绩分布式递归统计分析模型,结合模糊层次空间重组,建立学生学业成绩差异分布的特征分量为:

其中,η:E→LE,采用学生学业成绩差异化结构层次,通过模糊层次空间融合,建立学生学业成绩差异分布的统计分析模型,分析学生学业成绩差异度特征参量,采用边缘联立特征分析的方法,进行学生学业成绩差异融合,根据相应准则选择的滞后参数,得到差异化特征分布系数α ＝［α1,α2,…,αk］,z*与 z 指数比特置换。 由此建立学生学业成绩差异化分布的动态关系模型,以预测误差(FPE）等指标进行最优滞后阶数选择,得到LNSK,LNM2 变量在回归模型的确定标准如表2 所示。

表2 LNSK，LNM2 变量回归模型的确定标准

根据表1 的LNSK,LNM2 变量在回归模型的标准分布,得到似然比检验(LR统计量）为:

其中,E［xk］表示学生学业成绩差异度信息融合中心, Φk(ω） 为学生学业成绩差异度分布间隔,Φk(ω） 为学生学业成绩差异度的匹配系数,结合LNM2和LNSK的脉冲响应,设置M,T1,T2,T3,R1,R2,R3,R4,R5的HASH值为c,得到学生学业成绩差异检验分布集为:

基于预测误差(FPE）等指标分析,根据相应准则选择分布序列,得到学生学业成绩差异度特征分布表示为 ｛x(t0+ iΔt）｝,i ＝0,1,…,N -1,根据LNM2 和LNSK的脉冲分析,得到梯度值采用Cholesky 分解技术,得到学生学业成绩差异性分布函数:

根据相应准则选择学生学业成绩差异分布值,得到Engle-Granger 分类模型为:

把s(t） →s(t）,s(t） →S(f） 代入学生学业成绩差异分布函数,在对数水平下,得到训练数据和测试数据融合输出为:

综上分析,当前特征子空间中信息查询的时间分布满足n∈［n1,n2］,通过变量的平稳性检验分析方法,实现学生学业成绩差异度检验变量的协整关系分析,通过回归分析方法,实现学生学业成绩差异度检验。

3 结语

通过差异度分析,建立学生学业成绩差异性的变量分析模型,结合诸多差异化因素特征分析,本文提出基于回归分析模型的学生学业成绩差异分析模型。 通过变量的平稳性检验分析方法,实现学生学业成绩差异度检验变量的协整关系分析,通过回归分析方法,实现学生学业成绩差异度检验。 分析得知,本文方法进行学生学业成绩差异分析可靠有效。