教学评估分析报告

教学评估分析报告重要手段。为了考评教师的教学质量，为了更好的了解学生的学习状表，对学生进展问卷调查。一、选题本报告是为了考评教师教学质量。二、资料收集本报告数据来自对某校某年级学生的调查问卷。说明：本报告数据是对七项数据指标进展分析整合。1215门课程〔3位教师有两门课〕按以下7项内容打分，分值为15分51分最差考试评分的公正性；Y~对教师的总体评价。形式：用SPSS软件对数据处理做报告分析。三、提出问题X1~X6这六项内容的分析，提出问题：它们对教师的教学总体评价Y是否都有影响？四、首先对六项数据资料分析数据整体分析描述统计量15状态〕首先用描述统计量15状态〕N统计量微小值统计量极大值统计量均值统计量标准差统计量偏度统计量标准误统计量标准误X1152.474.674.1053.61988-1.639.5802.3991.121X2152.794.644.0633.53704-1.210.580.6851.121X3153.244.534.0320.44653-.804.580-.7911.121X4153.504.754.1493.41518-.224.580-1.3621.121X5152.644.633.8027.68880-.433.580-1.1231.121X6153.754.574.1973.25381-.408.580-.8191.121Y有效的N〔列表152.844.693.9420.61021-.582.580-1.2061.12112156项指标的最明显表示。先观看微小值、极大值栏，6项指标几乎没有太大的差异，可以无视；再看均值栏，在这一栏中，最小的是X53.8027，其余指4.0Y3.9420X5的标准差也最大，说明它的数据波动比较大，即每门课的教科书发挥的作用不一样，有些作用大，有些作用较小写，综合均值和标准偏度栏，都在0.580的标准误差下，6项统计量指标均小于零，说明它们的数据整体集中点距中心偏左，峰度栏里，在1.121的标准误差下，6项指标中只有X1、X2大于零，说明它们较正态分布陡峭，其余小于零，整体水平Y也小于零，说明较正态分布根本平缓。对数据进展主成分分析解释的总方差提取方法：主成份分析。解释的总方差提取方法：主成份分析。成份合计初始特征值方差的%累积%合计提取平方和载入方差的%累积%合计旋转平方和载入方差的%累积%14.15469.23069.2304.15469.23069.2303.94665.76665.76621.02817.14086.3701.02817.14086.3701.23620.60586.3703.4036.70993.0804.2404.00697.0865.1402.33099.4166.035.584100.000为72.839%，数据信息损失度为27.161%；再看其次个成分，它对总体的奉献率为14.981%，加和可得两个成分的共同累积奉献率为87.811%，大于我们心里承受的85%信息保存的力量，即信息损失度只要小于15%适宜。下面用以下碎石图对主成分确实定做进展分析：观看上图我们可以了解到：成分1和成分2的连线斜率最大，X0损失度恰在我们可以承受的范围中。对两个成分进展成分分析用SPSS软件的主成分分析法对上面确定的两个主成分做以下成分矩阵和旋转成分矩阵：成份矩阵成份矩阵a成份12X1.880.033X2.951-.085X3.899-.282X4.885.205X5.335.924X6.878-.212a.已提取了2旋转成份矩阵旋转成份矩阵a成份12X1.842.259X2.941.163X3.942-.041X4.802.426X5.086.979X6.903.022Kaiser标准化的正交旋转法。a.旋转在3观看成分矩阵和旋转成分矩阵，主要看旋转成分矩阵，其目的是对主成分进展相应命名。1中除X5是0.297其影响较大；而在成分2中只有X5对其影响最大。所以我们可以对成分1命名为教师成分；成分2命名为教科书成分。再看下面成分图可进一步确认：观看上面成分图也可以得出命名结论：六项指标中，只有X5孤立自成一类，其余成分成积存一起成一类。所以将X5其命名教科书成分；其余为教师成分。分析成分得分状况成份得分系数矩阵成份得分系数矩阵成份12X1.196.086X2.243-.021X3.280-.209X4.154.247X5-.154.889X6.257-.144Kaiser构成得分。对标准化以后的数据做因子得分，即对每个因子做一个客观评1中只有X5为负值，其余都是正值，说明只有X5在标准水平以下，其数据具都在标准水平以上。再看成分2，有X1、X4、X5大于零，说明在标准水平以上，这中间X5的数值最大，说明它的统计值远远超出标准水平，其余都为负。现在看成分得分协方差矩阵的状况：成份得分协方差矩阵成份得分协方差矩阵成份1211.000.0002.0001.000成份1211.000.0002.0001.000提取方法:主成分分析法。成份得分协方差矩阵Kaiser标准化的正交旋转法。构成得分。设DX观看可知和数是对角矩阵，对角线都为1，,成份得分协方差矩阵Kaiser标准化的正交旋转法。构成得分。就可以把6元正态性问题化为6与总评价Y的图形线性关系散点图的观看：〔在此仅以X1为例〕认真分析X1与Y的关系，整体几乎在一条线上，随着X1的增加，Y也在增加，总体成正相关性分布。下面再对各个变量之间的双变量相关性做分析〔我们规定只要小于**.在.01〔双侧〕上显著相关。**.在.01〔双侧〕上显著相关。相关性X1X2X3X4X5X6YX1Pearson相关性1.901**.675**.736**.275.647**.897**显著性〔双侧〕.000.006.002.321.009.000N15151515151515X2Pearson相关性.901**1.850**.740**.244.803**.936**显著性〔双侧〕.000.000.002.380.000.000N15151515151515X3Pearson相关性.675**.850**1.750**.073.849**.912**显著性〔双侧〕.006.000.001.795.000.000N15151515151515X4Pearson相关性.736**.740**.750**1.438.704**.822**显著性〔双侧〕.002.002.001.102.003.000N15151515151515X5Pearson相关性.275.244.073.4381.147.162显著性〔双侧〕.321.380.795.102.600.564N15151515151515X6Pearson相关性.647**.803**.849**.704**.1471.825**显著性〔双侧〕.009.000.000.003.600.000N15151515151515YPearson相关性.897**.936**.912**.822**.162.825**1显著性〔双侧〕.000.000.000.000.564.000N15151515151515由上表可知：X2和X1有很强的相关性，相关系数为0.901；X3和X1之间有0.675的相关性；…由表可以看出下面几个变量之间可以认为不相关：X1与X5、X2与X5、X3与X5、X5与Y。得出结论：X5响。下面再看一组数据：在看X1变量对教学评估时，X2数据的偏相关性影响：相关性掌握变量X1YX2-无-aX1相关性1.000.897.901显著性〔双侧〕..000.000Df01313Y相关性.8971.000.936显著性〔双侧〕.000..000Df13013X2相关性.901.9361.000显著性〔双侧〕.000.000.Df13130X2X1相关性1.000.353显著性〔双侧〕..215Df012Y相关性.3531.000显著性〔双侧〕.215.Df120a.单元格包含零阶(Pearson)相关。相关性掌握变量X1YX2X3X4X6-无-aX1相关性1.000.897.901.675.736.647a.单元格包含零阶(Pearson)相关。相关性掌握变量X1YX2X3X4X6-无-aX1相关性1.000.897.901.675.736.647显著性〔双侧〕..000.000.006.002.009Df01313131313Y相关性.8971.000.936.912.822.825显著性〔双侧〕.000..000.000.000.000D2相关性.901.9361.000.850.740.803显著性〔双侧〕.000.000..000.002.000D3相关性.675.912.8501.000.750.849显著性〔双侧〕.006.000.000..001.000D4相关性.736.822.740.7501.000.704显著性〔双侧〕.002.000.002.001..003D6相关性.647.825.803.849.7041.000显著性〔双侧〕.009.000.000.000.003.D2&X3&X4&X6 X1相关性1.000.808显著性〔双侧〕..003Df09Y相关性.8081.000显著性〔双侧〕.003.Df90a.单元格包含零阶(Pearson)相关。整体分析X2、X3、X4、X6时，他们对Y的整体呈强相关性，但0.808相对X2少了；但相对其他数据而言相关性有所增加，但变化不是很大，说明它们对X1相对Y的影响比较小。用主成分分析法做因子回归模型为了得到总体评价Y与各项具体内容Xi之间的关系。在上面数据分析的根底上我们做主成分回归模型。A、提出假设Y有显著影响，并且各项之间也可能存在很强的相关性。B、模型构成由题意，做因变量Y与6个自变量X1，X2，…,X6的模型中，由于它们之间存在的线性关系〔上面数据已经分析到了，所以我们可分回归模型：Y*=b0+b1Z1*+b2Z2* ①Zi*=aX1+bX〔其ab为成分得分值i=2〕 数据说明：Zi*为标准化后的成分得分值C、模型求解里已分析到，将其带入上式的模型②中，即得主成分回归方程：Z1*=0.196X1+0.243X2+0.280X3+0.154X4-0.154X5+0.257X6Z2*=0.086X1-0.021X2-0.209X3+0.247X4+0.889X5-0.144X6由主成分回归可得到标准化回归方程，即①可得到：Y*=Z1*+Z2*即：Y*=0.282X1+0.222X2+0.071X3+0.401X4+0.735X5+0.113X6D、模型分析用主成分分析法可得，X3对主体的影响最小，但由前面一系列数据分析说明：X3对主体的作用不行无视；X6相比照较小，结合上面数据在此可以无视；X1、X2影响相当，我们可以猜测这两个因子X5，由于前面数据分析里根本明确说明：它对整体的影响相对其他因子较小，虽然这里它的系数是最大的，但就整体考虑而言，还是要将其无视。总结来看，对整体影响不行无视的成分主要有：X1/X2、X3、X4。由模型进一步做主成分分析成对样本检验成对样本检验成对差分差分的95%均值标准差 均值的标准误下限上限tdfSig.(双侧)对1X1-X2.04200.26998.06971-.10751.19151.60314.556由上面的分析可得，X1、X2对整体影响最大，为了更好地了解它，这里我们仅对X1、X2做成对样本T检验。用T检验法可得上表，首先我们对X1~X2的主成分做配对样本T检验。在95%的置信区间下，做自由度为14，差分下限是-0.10751，差T检验；做〔X1-X2〕的成分差分，在0.06971的标准误差下，标准化后的差分均值为0.04200，由于数字差分标准差为0.26998，说明X1X