HyeonJin Yoon是內(nèi)布拉斯加州方法、分析和心理測量學(xué)院的研究助理教授，他正在評估一種新評估方法的有效性，以針對處于危險中的學(xué)生進行有針對性的教育干預(yù)。

回歸不連續(xù)性設(shè)計是一種評估基于需求的有針對性的干預(yù)措施的影響的評估。它依賴于分配測量的截止點，該測量通常評估參與者的需求或閾值，高于或低于分配干預(yù)的閾值。通過比較截止點附近的測試后分數(shù)，研究人員可以確定干預(yù)對給定結(jié)果的影響。

例如，在學(xué)校，可以根據(jù)閱讀分數(shù)的截止值邀請學(xué)生參加課后閱讀計劃。如果將干預(yù)分配給高于或低于臨界值的特定范圍內(nèi)的學(xué)生，則回歸不連續(xù)設(shè)計可以測量聚集在臨界值兩側(cè)小區(qū)域的結(jié)果的組差異，學(xué)生被認為具有統(tǒng)計學(xué)上的可比性。

Yoon 指出，雖然回歸不連續(xù)設(shè)計是有效的，但它也有其局限性。

“例如，當使用RDD時，你可以確定干預(yù)對分數(shù)接近 30 分的學(xué)生的影響，但不能確定分數(shù)遠低于 10 分的學(xué)生，”她說。“因此，我們不知道干預(yù)是否對那些最需要幫助的學(xué)生產(chǎn)生影響。”

對于這項由研究和經(jīng)濟發(fā)展辦公室Layman Seed Grant 資助的研究，Yoon 正在使用 2016 年和 2018 年從馬薩諸塞州和俄勒岡州收集的基于證據(jù)的幼兒園數(shù)學(xué)干預(yù)數(shù)據(jù)。她正在努力展示具有協(xié)變量匹配的回歸不連續(xù)設(shè)計的應(yīng)用、分析和解釋。

通過匹配協(xié)變量——可以影響統(tǒng)計試驗結(jié)果的自變量——Yoon 旨在平衡治療組和對照組的協(xié)變量分布。她將添加協(xié)變量測量，例如預(yù)測試分數(shù)和人口統(tǒng)計信息——這些數(shù)據(jù)是在學(xué)校自然收集的。

“這是這種方法的一個優(yōu)勢，” CYFS研究附屬機構(gòu)Yoon 說。“協(xié)變量已經(jīng)存在。我們只需要將它們包括在分析中。”

匹配協(xié)變量將有助于識別治療截止值之外的因果效應(yīng)，并使 Yoon 能夠評估該方法在多大程度上產(chǎn)生與隨機對照試驗設(shè)計相媲美的精確、無偏估計。

在教育環(huán)境中，會邀請有閱讀或數(shù)學(xué)學(xué)習(xí)困難或有學(xué)習(xí)困難風(fēng)險的學(xué)生根據(jù)他們的標準化考試成績進行有針對性的干預(yù)。由于教室不是研究環(huán)境，因此兒童不會被隨機分配到干預(yù)或控制條件。

“當你使用RCT進行項目評估時，你會隨機分配學(xué)生，”Yoon 說。“但是通過隨機化，分配到對照組的學(xué)生不會接受干預(yù)。如果發(fā)現(xiàn)RDD - CM方法在方法論上是有效的，并且與RCT一樣有效，那么就可以解決大部分問題。”

如果發(fā)現(xiàn)具有協(xié)變量匹配的回歸不連續(xù)設(shè)計是合理的，那么 Yoon 將開發(fā)模擬以確定適用于應(yīng)用程序的設(shè)計和變量條件，例如必要的樣本量和其他細節(jié)，例如處理協(xié)變量缺失的最佳方法。

“教育工作者和政策制定者需要知道干預(yù)措施是否對每個人都有效——尤其是那些最需要幫助的人，”尹說。