Słownik metodologiczny · Ludzie statystyki

Harvey Goldstein (1939–2020) – pionier modeli wielopoziomowych i krytyk tabel ligowych szkół

Harvey Goldstein zaczynał jako statystyk medyczny, a w londyńskim Institute of Education stworzył brytyjską szkołę modeli wielopoziomowych i przez dwie dekady przestrzegał przed rankingami szkół. Przedstawiamy jego drogę, metodę IGLS i program MLwiN oraz tabelę ligową 65 szkół londyńskich z przedziałami dla miejsc policzoną w R.

Strona główna / Słownik / Harvey Goldstein
W skrócie: Harvey Goldstein (1939–2020) – brytyjski statystyk z Institute of Education w Londynie i Uniwersytetu w Bristolu, twórca metody IGLS (1986), autor podręcznika Multilevel Statistical Models i współtwórca programu MLwiN. Najbardziej znany z krytyki tabel ligowych szkół: pokazywał, że przedziały dla efektów szkół są zbyt szerokie na drobny ranking.

Kim był Harvey Goldstein?

Harvey Goldstein (1939–2020) urodził się 30 października 1939 r. w Whitechapel we wschodnim Londynie. Studiował matematykę na Uniwersytecie w Manchesterze, gdzie chodził też na kursy statystyki u Toby’ego Lewisa, a potem zrobił dyplom ze statystyki w University College London. Jego pierwszą publikacją była krótka praca w „Nature” napisana m.in. z Richardem Dollem (Gray i in., 2020).

Od 1964 r. był wykładowcą w londyńskim Institute of Child Health i z Jimem Tannerem badał rozwój dzieci. W latach 1972–1977 pracował w National Children’s Bureau nad brytyjską kohortą urodzonych w 1958 r.. W 1977 r. objął w Institute of Education w Londynie katedrę metod statystycznych – pierwszą w Wielkiej Brytanii katedrę statystyki w instytucie badań edukacyjnych. W 1996 r. jako pierwszy badacz z wydziału edukacji został członkiem British Academy, a dwa lata później otrzymał srebrny Medal Guya Royal Statistical Society. Gdy jego zespół przeniósł się na Uniwersytet w Bristolu, w 2005 r. podążył za nim i objął tam profesurę na część etatu. Zmarł w kwietniu 2020 r., w wieku 80 lat, jako jedna z wczesnych ofiar pandemii koronawirusa (Gray i in., 2020).

Najważniejsze pomysły

  • Estymacja modeli wielopoziomowych (1986). W „Biometrice” podał iteracyjną metodę uogólnionych najmniejszych kwadratów (IGLS) dla danych o strukturze hierarchicznej i pokazał, że przy rozkładzie normalnym jest równoważna metodzie największej wiarygodności (Goldstein, 1986). Ogólną postać modelu wielopoziomowego zapisał już w niepublikowanej pracy z 1983 r. – szukając uczciwego sposobu porównywania szkół (Gray i in., 2020).
  • Podręcznik. Pierwsze wydanie ukazało się w 1987 r. jako Multilevel Models in Educational and Social Research, kolejne pod tytułem Multilevel Statistical Models, czwarte w 2010 r. (Goldstein, 2010).
  • Programy. Z programistą Jonem Rasbashem rozwijał kolejne programy do modeli wielopoziomowych: ML2, ML3, MLn i MLwiN; z MLwiN skorzystało około 30 tysięcy użytkowników na świecie (Gray i in., 2020).
  • Krytyka tabel ligowych. Pokazywał, że przedziały ufności dla efektów szkół są tak szerokie, że większości szkół nie da się wiarygodnie rozróżnić, a dokładnej kolejności szkół nie można uczciwie ustalić (Goldstein i in., 1993; Goldstein i Spiegelhalter, 1996).

Ciekawostka

Narodziny brytyjskiej szkoły modeli wielopoziomowych opisał naoczny świadek, John Gray. Na wieczornym, nieplanowanym seminarium w Lancasterze Nicholas Longford przez kwadrans zapisywał tablicę symbolami, po czym oddał głos Goldsteinowi, który przedstawił swoje rozwiązanie tego samego problemu. Po krótkiej wymianie zdań obaj podali sobie ręce i usiedli, a sąsiad Graya nazwał to wydarzeniem historycznym. (relacja Graya z 1998 r. przytoczona we wspomnieniu: Gray i in., 2020).

Goldstein cenił niezależność. W jego życiorysie zawodowym, jak podają autorzy wspomnienia, figuruje nietypowy wpis: w 2006 r. odmówił przyjęcia Orderu Imperium Brytyjskiego (CBE), bo – jak piszą – przyjęcie orderu oznaczałoby przymknięcie oka na lata, w których ministrowie odrzucali jego rady, i mogło naruszyć jego niezależność.

Przykład na danych z pakietu R

Pakiet jomo zawiera zbiór ExamScores: według pliku pomocy wyniki egzaminów uczniów z sześciu okręgów szkolnych wewnętrznego Londynu, opisane w pracy Goldsteina i współpracowników (1993). Wynik egzaminu w wieku 16 lat jest znormalizowany, a wynik testu czytania London Reading Test w wieku 11 lat – standaryzowany. To wersja do ćwiczeń z brakami danych, więc bierzemy tylko uczniów z obydwoma wynikami: 2476 osób z 65 szkół (od 2 do 117 uczniów).

Dopasowujemy dwa modele z losowym wyrazem wolnym szkoły. Pierwszy porządkuje szkoły według samych wyników egzaminu – jak „surowa” tabela ligowa. Drugi uwzględnia wynik na wejściu, czyli liczy wartość dodaną: każde odchylenie standardowe wyniku w wieku 11 lat wiąże się ze wzrostem wyniku egzaminu o 0.53 SD, a odchylenie standardowe efektów szkół spada z 0.40 do 0.31.

Obie tabele są podobne (korelacja rang Spearmana .89), ale 18 z 65 szkół przesuwa się o co najmniej 10 miejsc, jedna – o 23. Niepewność miejsca sprawdzamy, losując 10 000 razy efekty szkół z rozkładów normalnych wokół oszacowań, z ich błędami standardowymi. Mediana szerokości 95% przedziału dla miejsca wynosi 31 pozycji, a u 28 szkół przedział obejmuje ponad połowę tabeli. Efekt 40 z 65 szkół nie różni się od przeciętnego; od średniej odróżnia się 12 szkół powyżej i 13 poniżej. Nawet najlepsza szkoła może zajmować miejsca od 1 do 3, a trzecia – od 1 do 9.

Na rysunku

Oś czasu od 1932 do 2027 z 10 zdarzeniami: 1939 urodził się w Londynie; 1964 wykładowca w Institute of Child Health; 1972 National Children’s Bureau (do 1977); 1977 profesor w Institute of Education; 1986 estymacja IGLS w Biometrice; 1987 pierwsze wydanie podręcznika; 1993 analiza wyników szkół londyńskich; 1996 praca o tabelach ligowych i członkostwo British Academy; 2005 przenosi się do Bristolu; 2020 zmarł. Rodzaj zdarzenia oznacza kształt i kolor znacznika: koło – życie, kwadrat – praca, romb – publikacja, trójkąt – wyróżnienie
Rysunek 1. Oś czasu: Harvey Goldstein (1939–2020). Lata według wspomnienia Graya, Diamonda i Steele (2020) i dat publikacji. Rysunek: R, pakiet ggplot2.

Co widać. Przez kilkanaście lat Goldstein był statystykiem medycznym; modele wielopoziomowe i krytyka tabel ligowych przyszły po 1977 r.

Na co uważać. Oś pomija lata studiów, których cytowane wspomnienie nie podaje, i Medal Guya, który wspomnienie datuje tylko względnie („dwa lata później” niż członkostwo British Academy).

Podpis do pracy:

Rysunek 1. Najważniejsze daty z życia i pracy Harveya Goldsteina (1939–2020). Uwaga. Kształt znacznika oznacza rodzaj zdarzenia (życie, praca, publikacja, wyróżnienie).
Dwa panele. A: wykres rozrzutu 65 szkół – miejsce w tabeli według surowych wyników egzaminu na osi poziomej i według wartości dodanej na osi pionowej, obie osie od 65 do 1; punkty skupiają się wokół przekątnej, ale 18 szkół oznaczonych pomarańczowymi trójkątami odsuwa się od niej o 10 i więcej miejsc. B: 65 szkół uporządkowanych według miejsca w tabeli wartości dodanej, każda z poziomym szarym odcinkiem 95% przedziału dla miejsca; odcinki są długie, w środku tabeli sięgają kilkudziesięciu pozycji; pełne niebieskie kropki oznaczają szkoły o efekcie różnym od zera (na obu końcach tabeli), puste kółka – szkoły nieodróżnialne od przeciętnej (środek tabeli)
Rysunek 2. Miejsca 65 szkół londyńskich w tabeli surowych wyników i w tabeli wartości dodanej (A) oraz 95% przedziały dla miejsc w tabeli wartości dodanej (B); dane jomo::ExamScores, uczniowie z obydwoma wynikami. Obliczenia i rysunek: R, pakiety lme4, ggplot2 i patchwork (10 000 losowań, set.seed(971)).

Co widać. Panel A: uwzględnienie wyniku na wejściu przetasowuje zwłaszcza środek tabeli. Panel B: tylko na obu krańcach tabeli przedziały są krótkie. W środku szkoła z 30. miejsca mogłaby równie dobrze zajmować dowolne miejsce od 17. do 46.

Na co uważać. Losowanie efektów szkół z niezależnych rozkładów normalnych pomija niepewność parametrów modelu, więc prawdziwe przedziały są raczej szersze. Model nie uwzględnia innych cech uczniów, jak praca z 1993 r.

Podpis do pracy:

Rysunek 2. Miejsca szkół w tabeli surowych wyników egzaminu i w tabeli wartości dodanej (A) oraz 95% przedziały dla miejsc w tabeli wartości dodanej (B), N = 2476 uczniów, 65 szkół. Uwaga. Przedziały wyznaczono z 10 000 losowań efektów szkół z rozkładów normalnych o średnich równych oszacowaniom i odchyleniach równych ich błędom standardowym.

Gdzie spotkasz Goldsteina w swojej pracy

Te same modele w USA rozwijali Stephen Raudenbush i Anthony Bryk.

Spory, mity i trudne strony

  • Tabele ligowe szkół. Przez dwie dekady Goldstein przekonywał, że przedziały dla efektów szkół są zbyt szerokie na drobny ranking, a wyniki wartości dodanej są mało stabilne w czasie (Gray i in., 2020). Rodzic wybierający szkołę patrzy na wyniki rocznika, który zaczął naukę kilka lat wcześniej, więc ranking niewiele mu mówi (Leckie i Goldstein, 2009). Goldstein i Spiegelhalter (1996) nie odrzucali porównań instytucji, ale zalecali w nich dużą ostrożność.
  • Spór o model Rascha. Krytyka stosowania modelu Rascha w brytyjskiej National Foundation for Educational Research, wówczas głównym twórcy testów szkolnych, skończyła się publicznym sporem (Gray i in., 2020).
  • Czy wartość dodana rozwiązuje problem? Nie do końca: jest lepsza od surowych wyników, ale ma inne ograniczenia (Goldstein i Spiegelhalter, 1996).
Przykład reprodukowalny

Tabela ligowa Goldsteina w R

Kod wczytuje dane egzaminacyjne z pakietu jomo, dopasowuje dwa modele z losowym wyrazem wolnym szkoły (surowy i wartości dodanej), porównuje miejsca szkół, wyznacza 95% przedziały dla miejsc z 10 000 losowań i rysuje rysunek 2. Drugi przepis rysuje oś czasu (rysunek 1). Rysunki na stronie powstały z tych samych obiektów p1 i p2, którym podmieniono tylko motyw na motyw serwisu; dane, geometrie i skale są identyczne. Jedyne losowanie to symulacja miejsc (set.seed(971), ziarno ustalone raz).

1. Dwie tabele ligowe i niepewność miejsc: rysunek 2

Dane wejściowe: data(ExamScores, package = "jomo") – według pliku pomocy częściowo obserwowana wersja zbioru z wynikami egzaminów uczniów z sześciu okręgów szkolnych wewnętrznego Londynu (Goldstein i in., 1993); normexam – znormalizowany wynik egzaminu w wieku 16 lat, standlrt – standaryzowany wynik London Reading Test w wieku 11 lat.

Co odczytać: efekty stałe i odchylenia standardowe efektów szkół; korelację rang i przesunięcia w tabeli; szerokość przedziałów dla miejsc i liczbę szkół odróżnialnych od średniej.

Kod R rysunku 2
# Harvey Goldstein: tabela ligowa szkół i niepewność miejsc w rankingu – dane egzaminacyjne z Londynu (jomo::ExamScores)
suppressPackageStartupMessages({library(jomo); library(lme4); library(ggplot2); library(patchwork)})
kol <- c(surowy = "#E69F00", dodana = "#0072B2", przedzial = "grey45", wyrozniona = "#D55E00")   # Okabe–Ito
motyw <- theme_minimal(base_size = 13) +
  theme(panel.grid.minor = element_blank(), plot.title = element_text(face = "bold"), legend.position = "bottom")
data(ExamScores, package = "jomo")
# normexam – znormalizowany wynik egzaminu w wieku 16 lat; standlrt – standaryzowany wynik London Reading Test w wieku 11 lat
# W tej wersji zbioru część wyników jest brakująca – bierzemy uczniów, którzy mają oba wyniki
d <- ExamScores[complete.cases(ExamScores[, c("normexam", "standlrt")]), c("school", "normexam", "standlrt")]
d$school <- droplevels(d$school)
n_j <- as.numeric(table(d$school))
c(uczniowie = nrow(d), szkoly = nlevels(d$school))
summary(n_j)

# 1. Tabela „surowa”: same wyniki egzaminu; 2. wartość dodana: wynik egzaminu po uwzględnieniu wyniku na wejściu
m_sur <- lmer(normexam ~ 1 + (1 | school), data = d)
m_wd  <- lmer(normexam ~ standlrt + (1 | school), data = d)
round(fixef(m_wd), 3)
round(c(sd_szkol_surowy = as.numeric(attr(VarCorr(m_sur)$school, "stddev")),
        sd_szkol_wd = as.numeric(attr(VarCorr(m_wd)$school, "stddev")), sd_reszt_wd = sigma(m_wd)), 3)

efekty <- function(m) {                    # efekt szkoły (BLUP) i jego warunkowy błąd standardowy
  r <- ranef(m, condVar = TRUE)$school
  data.frame(school = rownames(r), efekt = r[, 1], se = sqrt(attr(r, "postVar")[1, 1, ]))
}
e <- merge(efekty(m_sur), efekty(m_wd), by = "school", suffixes = c("_sur", "_wd"))
J <- nrow(e)
e$miejsce_sur <- rank(-e$efekt_sur)        # 1 = najlepsza szkoła
e$miejsce_wd  <- rank(-e$efekt_wd)
round(c(korelacja_rang = cor(e$miejsce_sur, e$miejsce_wd, method = "spearman"),
        przesuniecie_o_10_i_wiecej = sum(abs(e$miejsce_sur - e$miejsce_wd) >= 10),
        najwieksze_przesuniecie = max(abs(e$miejsce_sur - e$miejsce_wd))), 2)

# 3. Niepewność miejsca: losujemy efekty szkół z rozkładów normalnych o średniej = oszacowanie i SD = błąd standardowy
set.seed(971)
B <- 10000
los <- matrix(rnorm(B * J, mean = rep(e$efekt_wd, each = B), sd = rep(e$se_wd, each = B)), nrow = B)
miejsca <- t(apply(-los, 1, rank))         # B × J: miejsce każdej szkoły w każdym losowaniu
e$od <- apply(miejsca, 2, quantile, probs = 0.025)
e$do <- apply(miejsca, 2, quantile, probs = 0.975)
e$szerokosc <- e$do - e$od
e$rozna_od_zera <- abs(e$efekt_wd) > 1.96 * e$se_wd
round(c(szkoly = J, mediana_szerokosci_przedzialu = median(e$szerokosc),
        przedzial_ponad_polowe_tabeli = sum(e$szerokosc > J / 2),
        efekt_rozny_od_zera = sum(e$rozna_od_zera),
        powyzej = sum(e$rozna_od_zera & e$efekt_wd > 0), ponizej = sum(e$rozna_od_zera & e$efekt_wd < 0)), 2)
naj <- e[order(e$miejsce_wd), c("school", "miejsce_sur", "miejsce_wd", "od", "do")]
head(naj, 3)

# Rysunek: A – miejsce w tabeli surowej i w tabeli wartości dodanej; B – miejsca z 95% przedziałami
e$zmiana <- ifelse(abs(e$miejsce_sur - e$miejsce_wd) >= 10, "przesunięcie o 10+ miejsc", "mniejsze przesunięcie")
pA <- ggplot(e, aes(miejsce_sur, miejsce_wd)) +
  geom_abline(slope = 1, intercept = 0, colour = "grey60", linetype = "22") +
  geom_point(aes(shape = zmiana, colour = zmiana), size = 2.4) +
  scale_shape_manual(values = c(`przesunięcie o 10+ miejsc` = 17, `mniejsze przesunięcie` = 16), name = NULL) +
  scale_colour_manual(values = c(`przesunięcie o 10+ miejsc` = kol[["wyrozniona"]], `mniejsze przesunięcie` = kol[["dodana"]]),
                      name = NULL) +
  scale_x_reverse() + scale_y_reverse() + coord_equal() +
  labs(title = "A. Dwie tabele ligowe", x = "Miejsce według surowych wyników", y = "Miejsce według wartości dodanej") +
  motyw + guides(shape = guide_legend(nrow = 2), colour = guide_legend(nrow = 2))
e$poz <- factor(e$school, levels = e$school[order(e$miejsce_wd)])
pB <- ggplot(e, aes(x = miejsce_wd, y = poz)) +
  geom_segment(aes(x = od, xend = do, yend = poz), colour = kol[["przedzial"]], linewidth = 0.6) +
  geom_point(aes(shape = rozna_od_zera), size = 1.9, colour = kol[["dodana"]], fill = "white") +
  scale_shape_manual(values = c(`TRUE` = 16, `FALSE` = 21), labels = c(`TRUE` = "efekt różny od 0", `FALSE` = "efekt nieodróżnialny od 0"),
                     name = NULL) +
  scale_x_continuous(breaks = c(1, 10, 20, 30, 40, 50, 60)) + scale_y_discrete(labels = NULL) +
  labs(title = "B. Miejsca z 95% przedziałami", x = "Miejsce w tabeli wartości dodanej (1 = najlepsza)", y = NULL) +
  motyw + theme(axis.text.y = element_blank(), panel.grid.major.y = element_blank())
p2 <- pA + pB + plot_layout(widths = c(1, 1.05))
p2
Wynik w R
uczniowie    szkoly 
     2476        65 
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
   2.00   27.00   38.00   38.09   45.00  117.00 
(Intercept)    standlrt 
      0.113       0.526 
sd_szkol_surowy     sd_szkol_wd     sd_reszt_wd 
          0.402           0.310           0.720 
            korelacja_rang przesuniecie_o_10_i_wiecej 
                      0.89                      18.00 
   najwieksze_przesuniecie 
                     23.00 
                       szkoly mediana_szerokosci_przedzialu 
                           65                            31 
przedzial_ponad_polowe_tabeli           efekt_rozny_od_zera 
                           28                            25 
                      powyzej                       ponizej 
                           12                            13 
   school miejsce_sur miejsce_wd od do
49     53           1          1  1  3
12      2           2          2  1  4
23      3           4          3  1  9

2. Oś czasu: rysunek 1

Dane wejściowe: zdarzenia z latami według cytowanych źródeł, wpisane ręcznie.

Co odczytać: nic – kod tylko rysuje oś czasu.

Kod R rysunku 1
# Oś czasu: Harvey Goldstein (1939–2020) – lata według cytowanych źródeł
library(ggplot2)
zdarzenia <- data.frame(
  rok = c(1939, 1964, 1972, 1977, 1986, 1987, 1993, 1996, 2005, 2020),
  opis = c("urodził się\nw Londynie", "wykładowca w Institute\nof Child Health", "National Children’s\nBureau (do 1977)",
           "profesor w Institute\nof Education", "estymacja IGLS\n(Biometrika)", "pierwsze wydanie\npodręcznika",
           "analiza wyników\nszkół londyńskich", "„League tables…”;\nczłonek British Academy",
           "przenosi się\ndo Bristolu", "zmarł"),
  rodzaj = c("życie", "praca", "praca", "praca", "publikacja", "publikacja", "publikacja", "wyróżnienie",
             "praca", "życie"),
  poziom = c(0.45, -0.45, 0.45, -1.25, 0.45, -0.45, 1.25, -1.25, 0.45, -0.45),   # wysokość etykiety
  wyrownanie = c(0.5, 0.5, 1, 0.5, 0.3, 0, 0.5, 0.5, 0.5, 0.5))                   # rozsunięcie bliskich etykiet
zdarzenia$etykieta <- paste0(zdarzenia$rok, "\n", zdarzenia$opis)
ksztalty <- c("życie" = 21, "praca" = 22, "publikacja" = 23, "wyróżnienie" = 24)
kolory <- c("życie" = "grey40", "praca" = "#0072B2", "publikacja" = "#D55E00", "wyróżnienie" = "#009E73")   # Okabe–Ito
p1 <- ggplot(zdarzenia, aes(rok, 0)) +
  geom_hline(yintercept = 0, colour = "grey60", linewidth = 0.8) +
  geom_segment(aes(xend = rok, y = 0, yend = poziom), colour = "grey70") +
  geom_point(aes(shape = rodzaj, fill = rodzaj), size = 3.8, colour = "black") +
  geom_text(aes(y = poziom + 0.06 * sign(poziom), label = etykieta, vjust = ifelse(poziom > 0, 0, 1), hjust = wyrownanie),
            size = 3.2, lineheight = 0.88) +
  scale_shape_manual(values = ksztalty, name = NULL) +
  scale_fill_manual(values = kolory, name = NULL) +
  scale_x_continuous(limits = c(1932, 2027), breaks = seq(1940, 2020, by = 10)) +
  scale_y_continuous(limits = c(-2.1, 2.1)) +
  labs(x = NULL, y = NULL) +
  theme_minimal(base_size = 13) +
  theme(axis.text.y = element_blank(), panel.grid = element_blank(), axis.text.x = element_text(colour = "grey30"),
        legend.position = "bottom")
p1

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (modele z losowym wyrazem wolnym – funkcja lmer() z pakietu lme4, metoda REML, efekty szkół i ich błędy – ranef(condVar = TRUE); dane – pakiet jomo; rysunki – pakiety ggplot2 i patchwork). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. lme4 (wersja 2.0.1): Bates, D., Mächler, M., Bolker, B., & Walker, S. (2015). Fitting linear mixed-effects models using lme4. Journal of Statistical Software, 67(1), 1–48. https://doi.org/10.18637/jss.v067.i01
  3. jomo (wersja 2.7.6): Quartagno, M., & Carpenter, J. (2023). jomo: A package for multilevel joint modelling multiple imputation [R package]. https://doi.org/10.32614/CRAN.package.jomo
  4. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  5. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork

Najczęstsze pytania

Kim był Harvey Goldstein?

Brytyjskim statystykiem (1939–2020). Był wykładowcą w Institute of Child Health, od 1977 r. profesorem metod statystycznych w Institute of Education w Londynie, a od 2005 r. profesorem w Bristolu. Rozwinął modele wielopoziomowe i program MLwiN, w 1996 r. został członkiem British Academy. Zmarł w kwietniu 2020 r.

Co to jest metoda IGLS Goldsteina?

Iteracyjne uogólnione najmniejsze kwadraty – metoda estymacji modeli wielopoziomowych, którą Goldstein opisał w Biometrice w 1986 r. Na zmianę szacuje się efekty stałe i składniki wariancji; przy rozkładzie normalnym daje to samo co metoda największej wiarygodności.

Dlaczego Goldstein krytykował tabele ligowe szkół?

Bo przedziały dla efektów szkół są szerokie, a większości szkół nie da się wiarygodnie odróżnić od siebie. W przykładzie z 65 szkołami londyńskimi mediana szerokości 95% przedziału dla miejsca w tabeli wartości dodanej wyniosła 31 pozycji, a efekt 40 szkół nie różnił się od przeciętnego.

Czym różni się ranking surowy od rankingu wartości dodanej?

Ranking surowy porządkuje szkoły według samych wyników, więc w dużej mierze odzwierciedla, jakich uczniów przyjęły. Ranking wartości dodanej uwzględnia wynik na wejściu. W danych londyńskich obie tabele były podobne (korelacja rang .89), ale 18 z 65 szkół przesunęło się o co najmniej 10 miejsc.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Goldstein, H. (1986). Multilevel mixed linear model analysis using iterative generalized least squares. Biometrika, 73(1), 43–56. https://doi.org/10.1093/biomet/73.1.43
  2. Goldstein, H. (2010). Multilevel statistical models (4th ed.). Wiley. https://doi.org/10.1002/9780470973394
  3. Goldstein, H., & Spiegelhalter, D. J. (1996). League tables and their limitations: Statistical issues in comparisons of institutional performance. Journal of the Royal Statistical Society. Series A (Statistics in Society), 159(3), 385–443. https://doi.org/10.2307/2983325
  4. Goldstein, H., Rasbash, J., Yang, M., Woodhouse, G., Pan, H., Nuttall, D., & Thomas, S. (1993). A multilevel analysis of school examination results. Oxford Review of Education, 19(4), 425–433. https://doi.org/10.1080/0305498930190401
  5. Gray, J., Diamond, I., & Steele, F. (2020). Harvey Goldstein, 1939–2020. Biographical Memoirs of Fellows of the British Academy, 19, 357–376. https://www.thebritishacademy.ac.uk/documents/2681/19-Memoirs-16-Goldstein.pdf ● Otwarty dostęp
  6. Leckie, G., & Goldstein, H. (2009). The limitations of using school league tables to inform school choice. Journal of the Royal Statistical Society: Series A (Statistics in Society), 172(4), 835–851. https://doi.org/10.1111/j.1467-985x.2009.00597.x

Cytowania BibTeX

@article{goldstein1986multilevel, author={Goldstein, Harvey}, title={{Multilevel mixed linear model analysis using iterative generalized least squares}}, journal={Biometrika}, year={1986}, volume={73}, number={1}, pages={43--56}, doi={10.1093/biomet/73.1.43}}
@book{goldstein2010multilevel, author={Goldstein, Harvey}, title={{Multilevel statistical models (4th ed.)}}, year={2010}, publisher={Wiley}, doi={10.1002/9780470973394}}
@article{goldstein1996league, author={Goldstein, Harvey and Spiegelhalter, David J.}, title={{League tables and their limitations: Statistical issues in comparisons of institutional performance}}, journal={Journal of the Royal Statistical Society. Series A (Statistics in Society)}, year={1996}, volume={159}, number={3}, pages={385--443}, doi={10.2307/2983325}}
@article{goldstein1993multilevel, author={Goldstein, Harvey and Rasbash, Jon and Yang, Min and Woodhouse, Geoffrey and Pan, Huiqi and Nuttall, Desmond and Thomas, Sally}, title={{A multilevel analysis of school examination results}}, journal={Oxford Review of Education}, year={1993}, volume={19}, number={4}, pages={425--433}, doi={10.1080/0305498930190401}}
@article{gray2020harvey, author={Gray, John and Diamond, Ian and Steele, Fiona}, title={{Harvey Goldstein, 1939–2020}}, journal={Biographical Memoirs of Fellows of the British Academy}, year={2020}, volume={19}, pages={357--376}, publisher={The British Academy}, url={https://www.thebritishacademy.ac.uk/documents/2681/19-Memoirs-16-Goldstein.pdf}}
@article{leckie2009limitations, author={Leckie, George and Goldstein, Harvey}, title={{The limitations of using school league tables to inform school choice}}, journal={Journal of the Royal Statistical Society: Series A (Statistics in Society)}, year={2009}, volume={172}, number={4}, pages={835--851}, doi={10.1111/j.1467-985x.2009.00597.x}}
R